Pengembangan Sistem Prediksi Risiko Diabetes Menggunakan Algoritma Support Vector Machine (SVM)

Alfon Setiawan; Suhirman Suhirman

doi:10.55382/jurnalpustakaai.v5i3.1437

Penulis

Alfon Setiawan Universitas Teknologi Yogyakarta
Suhirman Universitas Teknologi Yogyakarta

DOI:

https://doi.org/10.55382/jurnalpustakaai.v5i3.1437

Kata Kunci:

diabetes melitus, support vector machine, prediction system, machine learning, health informatic

Abstrak

Diabetes melitus merupakan gangguan metabolik kronis yang ditandai dengan meningkatnya kadar glukosa darah akibat gangguan pada produksi atau fungsi insulin. Deteksi dini penyakit ini sangat penting untuk mencegah komplikasi jangka panjang. Penelitian ini berfokus pada pengembangan sistem prediksi risiko diabetes berbasis web menggunakan algoritma Support Vector Machine (SVM). Dataset yang digunakan adalah Pima Indians Diabetes yang diperoleh dari Kaggle, terdiri dari 768 data dengan delapan parameter medis seperti kadar glukosa, tekanan darah, indeks massa tubuh (BMI), insulin, dan usia. Sistem dikembangkan menggunakan bahasa pemrograman Python dan framework Flask tanpa penerapan StandardScaler maupun SMOTE untuk menjaga keaslian distribusi data. Pengujian dilakukan dengan memisahkan data latih dan data uji untuk validasi performa model. Hasil penelitian menunjukkan bahwa algoritma SVM mampu mencapai tingkat akurasi tinggi dalam klasifikasi risiko diabetes serta memberikan hasil prediksi secara interaktif melalui antarmuka web. Penelitian ini menyimpulkan bahwa sistem yang dikembangkan dapat menjadi alat bantu pengambilan keputusan yang efektif bagi tenaga medis dan berkontribusi pada penerapan machine learning dalam diagnosis kesehatan digital.

Unduhan

Data unduhan belum tersedia.

Referensi

Dataset.” International Journal of Computer Science and Information Security (IJCSIS), 15(5), 1–7.

Han, L., Luo, S., Yu, J., Pan, L., & Chen, S. (2020). “Rule Extraction from Support Vector Machines Using Ensemble Learning Approach: Application to Diabetes Diagnosis.” BioMed Research International, 2020, 1–10. https://doi.org/10.1155/2020/4817130

Sisodia, D., & Sisodia, D.S. (2018). “Prediction of Diabetes Using Classification Algorithms.” Procedia Computer Science, 132, 1578–1585. https://doi.org/10.1016/j.procs.2018.05.122

Ramya, R., & Radha, N. (2016). “Diagnosis of Diabetes Mellitus Using Classification Mining Techniques.” International Journal of Innovative Research in Computer and Communication Engineering, 4(3), 1689–1696.

Kaur, H., & Kumari, V. (2020). “Predictive Modelling and Analytics for Diabetes Using a Machine Learning Approach.” Applied Computing and Informatics, 18(1), 90–100. https://doi.org/10.1016/j.aci.2019.11.004

Rahman, A., Islam, M. T., & Siddique, N. (2021). “Diabetes Prediction by Support Vector Machine and Random Forest Classifiers Using Pima Indians Dataset.” International Journal of Advanced Computer Science and Applications (IJACSA), 12(4), 62–70. https://doi.org/10.14569/IJACSA.2021.0120410

Choudhury, A., & Kumar, S. (2022). “Machine Learning Approach for Early Detection of Diabetes Mellitus.” Journal of King Saud University - Computer and Information Sciences, 34(9), 6813–6824. https://doi.org/10.1016/j.jksuci.2020.04.001

. Trilaksono, W., Nopriyeni., & Utama, A. P. (2020). Sistem Pakar Diagnosa Penyakit Hipertensi Menggunakan Metode Forward Chaining Berbasis Web. Jurnal Teknologi dan Sistem Informasi, 6(3), 210–219.

Prastiko, A. D., & Wiranata, A. D. (2023). “Analisis Sentimen Publik terhadap Fenomena Judi Online di Media Sosial X dengan SVM.” J. Pustaka AI (Jurnal Pusat Akses Kajian Teknologi Arificial Intelligence), 8(2), 140–149.

Supriatna, D., Anggai, S., & Tukiyat. (2025). Analisis Prediksi Curah Hujan di Kota Tangerang Menggunakan Metode LSTM dan GRU. Jurnal Pustaka AI, 5(2), 119–131. https://doi.org/10.55382/jurnalpustakaai.v5i2.1068