Text
Pengaruh Oversampling Data Terhadap Kinerja Metode Support Vector Machine dan Jaringan Syaraf Tiruan Backpropagation pada Klasifikasi Diabetes Melitus
Diabetes Melitus (DM) merupakan suatu penyakit gangguan glukosa pada tubuh manusia
yang berkontribusi besar terhadap tingginya angka penyebab kematian. Berbagai penelitian
mengenai deteksi dini dan klasifikasi telah dilakukan sebagai upaya pencegahan DM dengan
menerapkan suatu model machine learning. Permasalahan yang terjadi yaitu lemahnya
kinerja model dan tingginya tingkat kesalahan klasifikasi yang disebabkan oleh
ketidakseimbangan data (imbalanced). Adanya data yang mendominasi atau data mayoritas
menyebabkan kinerja model yang buruk dalam mengidentifikasi data minoritas. Penelitian
ini mengusulkan penanganan permasalahan imbalanced data dengan melakukan teknik
Synthetic Minority Oversampling Technique (SMOTE) dan mengamati pengaruhnya
terhadap kinerja klasifikasi metode Support Vector Machine (SVM) dan jaringan syaraf
tiruan (JST) Backpropagation. Eksperimen penggunaan jenis kernel dan parameter
regularization dilakukan pada SVM, sedangkan eksperimen jumlah hidden layer neuron dan
learning rate dilakukan pada JST Backpropagation. Pada penggunaan data imbalanced,
metode SVM mencapai hasil akurasi 94,31% dan f1-score 86,39%, sedangkan pada JST
Backpropagation mencapai akurasi 91,56% dan f1-score 59,40%. Hasil terbaik didapatkan
pada penggunaan data yang telah diseimbangkan dengan SMOTE, yaitu pada metode SVM
dihasilkan akurasi 98,85% dan f1-score 98,85%, sedangkan pada metode JST
Backpropagation dihasilkan akurasi 94,90% dan f1-score 94,03%. Hasil menunjukkan
bahwa penggunaan teknik oversampling untuk menangani imbalanced data dapat
meningkatkan kinerja model klasifikasi terhadap setiap kelas data.
Kata kunci : Diabetes Melitus, Imbalanced Data, SMOTE, SVM, Jaringan Syaraf Tiruan
Backpropag
1212F2023 | 1212 F 2023 | Perpustakaan FSM Undip | Tersedia |
Tidak tersedia versi lain