Perbandingan Kernel Linear, Polynomial, dan RBF pada Metode Support Vector Machine untuk Klasifikasi Diabetes
Keywords:
Diabetes, Kernel Polynomial, Machine Learning, Support Vector Machine.Abstract
Diabetes melitus merupakan penyakit tidak menular dengan prevalensi yang terus meningkat sehingga memerlukan metode deteksi dini yang akurat. Penelitian ini bertujuan untuk menganalisis kinerja metode Support Vector Machine (SVM) dengan tiga kernel, yaitu Linear, Polynomial, dan Radial Basis Function (RBF), dalam klasifikasi risiko diabetes. Data yang digunakan adalah dataset Pima Indians Diabetes yang terdiri dari 768 observasi dengan 8 variabel prediktor dan satu variabel target. Penelitian ini menggunakan pendekatan kuantitatif dengan tahapan eksplorasi data, prapemrosesan, serta evaluasi model menggunakan 10-Fold Cross Validation. Kinerja model dievaluasi berdasarkan metrik Accuracy, Sensitivity, Specificity, Kappa, dan ROC-AUC. Hasil penelitian menunjukkan bahwa ketiga kernel memiliki kemampuan klasifikasi yang baik, namun kernel Polynomial memberikan performa terbaik dibandingkan kernel Linear dan RBF. Kernel Polynomial menghasilkan nilai Accuracy tertinggi sebesar 77,60%, serta nilai Kappa dan ROC-AUC yang lebih unggul. Selain itu, kernel Polynomial juga menunjukkan keseimbangan yang lebih baik dalam mengklasifikasikan pasien diabetes dan non-diabetes. Hasil ini menunjukkan bahwa pemilihan kernel pada metode SVM berpengaruh signifikan terhadap performa klasifikasi, dan kernel Polynomial merupakan model paling optimal pada dataset yang digunakan dalam penelitian ini.
References
[1] J. P. Kamagi, B. T. Ratag, E. M. Mantjoro, and W. P. J. Kaunang, “Faktor-faktor yang berhubungan dengan diabetes melitus pada pasien,” HOLISTIK J. Kesehat., vol. 20, no. 1, pp. 282–291, 2026, doi: https://doi.org/10.33024/hjk.v20i1.2457.
[2] N. Al Rasyid, I. Afrianty, E. Budianita, and S. K. Gusti, “Diabetes Classification using Gain Ratio Feature Selection in Support Vector Machine Method,” Bull. Informatics Data Sci., vol. 4, no. 1, pp. 10–21, 2025, doi: https://doi.org/10.61944/bids.v4i1.114.
[3] N. D. Hendrawan, A. S. Affandi, and R. F. Fadhilrifat, “Implementasi Support Vector Machine dalam Deteksi Diabetes Melalui Indikator Kesehatan 3 rd E-proceeding SENRIABDI 2023,” Semin. Nas. Has. Ris. dan Pengabdi. Kpd. Masy. Univ. Sahid Surakarta, vol. 3, pp. 664–671, 2023, [Online]. Available: https://jurnal.usahidsolo.ac.id/
[4] J. M. Hossain, M. Al-Mamun, and M. R. Islam, “Diabetes mellitus, the fastest growing global public health concern : Early detection should be focused,” Heal. Sci. Reports - WILEY, pp. 1–5, 2024, doi: https://doi.org/10.1002/hsr2.2004.
[5] R. A. S. Kabosu, A. A. Adu, and I. A. Hinga, “Faktor Risiko Kejadian Diabetes Melitus Tipe Dua di RS Bhayangkara Kota Kupang,” Timorese J. Public Heal., vol. 1, no. 1, pp. 11–23, 2019, [Online]. Available: https://ojsfkmundana.science/index.php/t/notification
[6] Saifuddin, L. Azhari, E. Widarti, and Wartono, “Evaluasi Kinerja Kernel Linear , RBF , dan Polynomial pada Model Support Vector Machine untuk Prediksi Risiko Hipertensi,” J. Ilm. FIFO, vol. 17, no. 2, pp. 192–201, 2025, doi: https://doi.org/10.22441/fifo.2025.v17i2.008.
[7] A. M. Ridwan and G. D. Setiawan, “PERBANDINGAN BERBAGAI MODEL MACHINE LEARNING UNTUK MENDETEKSI DIABETES,” TEKNOKOM J. Teknol. dan Rekayasa Sist. Komput., vol. 6, no. 2, pp. 127–132, 2023, doi: https://doi.org/10.31943/teknokom.v6i2.152.
[8] A. W. Mucholladin, F. A. Bachtiar, and M. T. Furqon, “Klasifikasi Penyakit Diabetes menggunakan Metode Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 2, pp. 622–633, 2021, [Online]. Available: http://j-ptiik.ub.ac.id
[9] P. R. Putri and R. Alit, “Klasifikasi Penyakit Diabetes Melitus Menggunakan Metode Support Vector Machine ( SVM ),” JINACS (Journal Informatics Comput. Sci., vol. 06, no. 03, pp. 740–746, 2024.
[10] E. Dritsas and M. Trigka, “Data-Driven Machine-Learning Methods for Diabetes Risk Prediction,” Sensors, vol. 22, no. 5304, pp. 1–18, 2022, doi: https://doi.org/10.3390/s22145304.
[11] D. Triyanto, “SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PENYAKIT DIABETES MELLITUS,” Media Teknol. Dan Inform., vol. 1, no. 3, pp. 147–152, 2024.
[12] I. M. K. Karo and Hendriyana, “KLASIFIKASI PENDERITA DIABETES MENGGUNAKAN ALGORITMA MACHINE LEARNING DAN Z-SCORE,” J. Teknol. Terpadu, vol. 8, no. 2, pp. 94–99, 2022, [Online]. Available: https://journal.nurulfikri.ac.id/index.php/jtt
[13] T. Septiana, M. A. Muda, D. Budiyanto, M. Pratama, and W. P. Jaya, “Analisis Penggunaan Support Vector Machine pada Deteksi Dini Penyakit Diabetes Melitus,” J. Penelit. Inov., vol. 4, no. 3, pp. 1631–1640, 2024, doi: https://doi.org/10.54082/jupin.643.
[14] L. R. Safitri, N. Chamidah, T. Saifudin, and G. T. Alpandi, “Comparison of Kernel Support Vector Machine In Stroke Risk Classification ( Case Study : IFLS data ),” Int. Conf. Dta Sci. Off. Stat., pp. 309–316, 2023.
[15] C. Z. V. Junus, Tarno, and P. Kartikasari, “KLASIFIKASI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DAN RANDOM FOREST UNTUK DETEKSI AWAL RISIKO DIABETES MELITUS,” J. GAUSSIAN, vol. 11, no. 3, pp. 386–396, 2023, doi: https://doi.org/10.14710/j.gauss.11.3.386-396.
[16] T. M. P. Aulia, N. Arifin, and R. Mayasar, “PERBANDINGAN KERNEL SUPPORT VECTOR MACHINE ( SVM ) DALAM PENERAPAN ANALISIS SENTIMEN VAKSINISASI COVID-19,” SINTECH J., vol. 4, no. 2, pp. 139–145, 2021, doi: https://doi.org/10.31598.
[17] A. Faradisia and M. A. I. Pakereng, “Comparative Analysis of Linear , Polynomial , RBF , and Sigmoid Kernels in Support Vector Machine for Heart Disease Classification,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 4, pp. 1531–1537, 2025, doi: https://doi.org/10.57152/malcom.v5i4.2321.
[18] T. M. Sari, L. Hakim, P. Studi, T. Informatika, and U. Y. Pasuruan, “PREDIKSI STATUS ANEMIA DENGAN PENDEKATAN PEMBELAJARAN MESIN ALGORITMA SUPPORT VECTOR MACHINE ( SVM ) DAN SELEKSI FITUR FIREFLY ALGORITHM,” J. INSTEK, vol. 10, no. 1, pp. 120–129, 2025, [Online]. Available: htps://journal.uin-alauddin.ac.id/index.php/instek
