Klasifikasi Penyakit Diabetes Menggunakan Particle Swarm Optimaze Pada Algoritma Support Vector Machine

Abstract

Penyakit diabetes mellitus menjadi salah satu tantangan kesehatan global dengan prevalensi yang semakin meningkat setiap tahunnya. Penelitian ini bertujuan untuk mengklasifikasikan penyakit diabetes menggunakan algoritma Support Vector Machine (SVM) yang dioptimalkan oleh metode Particle Swarm Optimization (PSO) dan teknik Synthetic Minority Over-sampling Technique (SMOTE). Dataset yang digunakan berasal dari National Institute of Diabetes and Digestive and Kidney Diseases dengan total 768 data. Proses penelitian mencakup tahapan pra-pemrosesan data, penanganan ketidakseimbangan data menggunakan SMOTE, optimasi parameter SVM menggunakan PSO, dan evaluasi model menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model SVM-SMOTE-PSO mencapai akurasi sebesar 83,95%, meningkat dibandingkan model SVM-SMOTE tanpa PSO yang hanya mencapai 82,72%. Peningkatan ini terutama terlihat pada prediksi kelas minoritas, di mana PSO membantu mengoptimalkan parameter model SVM. Dengan demikian, metode ini terbukti efektif dalam meningkatkan akurasi dan keseimbangan prediksi klasifikasi penyakit diabetes.