Klasifikasi Teknologi Big Data dalam Diagnosa Pola Penyakit Diabetes dan Jantung menggunakan Algoritma Support Vector Machine (SVM) di Klinik Pratama Yakrija
Kata Kunci:
Model Klasifikasi SVM, Diagnosa Pola Penyakit, Diabetes dan Jantung, Evaluasi ModelAbstrak
Penyakit diabetes dan jantung adalah dua kondisi kronis yang umum terjadi dan memerlukan diagnosa dini untuk mencegah komplikasi serius. Di Klinik Pratama Yakrija, proses diagnosa masih dilakukan secara manual, yang sering kali mengarah pada ketidakakuratan dan keterlambatan dalam pengambilan keputusan. Oleh karena itu, diperlukan sebuah sistem otomatis yang mampu meningkatkan akurasi diagnosa. Penelitian ini bertujuan untuk mengembangkan model klasifikasi menggunakan algoritma Support Vector Machine (SVM) untuk mendiagnosa pola penyakit diabetes dan jantung secara otomatis. Model ini diharapkan dapat meningkatkan akurasi dan efisiensi dalam proses diagnosa. Penelitian ini menggunakan metode SVM untuk mengklasifikasikan data pasien berdasarkan atribut-atribut medis seperti Glukosa, Tekanan Darah, BMI, dan usia. Langkah yang dilakukan meliputi pengumpulan data, pre-processing, normalisasi, training model SVM, dan evaluasi kinerja model berdasarkan akurasi, presisi, recall dan F1-Score menggunakan Confusion Matrix. Model SVM yang dikembangkan menunjukkan akurasi sebesar 82.41% untuk penyakit diabetes, sementara untuk penyakit jantung mencapai akurasi 95.24%. Hasil ini menunjukkan peningkatan dalam akurasi diagnosa dibandingkan metode manual. Implementasi model SVM dapat memberikan peningkatan signifikan dalam akurasi dan kecepatan diagnosa penyakit diabetes dan jantung. Model ini dapat digunakan sebagai alat bantu untuk mendukung keputusan medis, meskipun perlu dilakukan pengujian lebih lanjut dengan data yang lebih beragam untuk meningkatkan generalisasi.
Unduhan
Referensi
Apriyani, H., & Kumiati. (2020). Perbandingan Metode Naïve Bayes Dan Support Vector Machine Dalam Klasifikasi Penyakit Diabetes Melitus. In Journal of Information Technology Ampera (Vol. 1, Issue 3). https://journal-computing.org/index.php/journal-ita/index
Fathurrahman, I. (2020). Klasifikasi Penentuan Penerima Program Keluarga Harapan (PKH) Menggunakan Algoritma Support Vector Machine (Svm) Pada Kantor Dinas Sosial Lombok Timur. Jurnal Informatika Dan Teknologi, 3(1), 27.
Martika Pasaribu, I., Rosyking Lumbanraja, F., Asiah Shofiana, D., & Aristoletes. (2021). Klasifikasi Kejadian Hipertensi dengan Metode Support Vector Machine (SVM) Menggunakan Data Puskesmas di Kota Bandar Lampung (Vol. 2, Issue 2).
Muhammad Prasetyo, T., Amrullah, A., Syahrir, S., & Nurina Sari, B. (2022). IMPLEMENTASI ALGORITMA SVM (SUPPORT VECTOR MACHINE) DALAM KLASIFIKASI PENYAKIT PARU-PARU BERDASARKAN FITUR POLA BENTUK. Jurnal Teknologi Informasi), 6(1), 1–6.
Purbolaksono, M. D., Irvan Tantowi, M., Imam Hidayat, A., & Adiwijaya, A. (2021). Perbandingan Support Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(2), 393–399. https://doi.org/10.29207/resti.v5i2.3008
Rizky, M., Irianto, Y., & Sriyanto. (2023). Perbandingan Kinerja Algoritma Naive Bayes, Support Vector Machine dan Random forest untuk Prediksi Penyakit Ginjal Kronis Imaniar Ikko Mulya Rizky 1a* , Suhendro Yusuf Irianto 2b. Sriyanto 3c. Institut Informatika Dan Bisnis Darmajaya, 139–151.
Wafa, S., Hadiana, I., & Umbara, R. (2022). Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM) INFORMASI ARTIKEL ABSTRAK (Vol. 4, Issue 1). https://e-journal.unper.ac.id/index.php/informatics
Wijayanti, R. A., Furqon, M. T., & Adinugroho, S. (2018). Penerapan Algoritme Support Vector Machine Terhadap Klasifikasi Tingkat Risiko Pasien Gagal Ginjal (Vol. 2, Issue 10). http://j-ptiik.ub.ac.id
