Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM)

Abstract

Penelitian ini mengembangkan model klasifikasi penyakit diabetes menggunakan algoritma Support Vector Machine (SVM) yang diintegrasikan ke dalam aplikasi web berbasis Streamlit. Dataset yang digunakan adalah Pima Indians Diabetes dari Kaggle, terdiri dari 768 data pasien dengan atribut seperti jumlah kehamilan, kadar glukosa, tekanan darah, insulin, indeks massa tubuh (BMI), dan faktor risiko lainnya. Metodologi yang digunakan mengikuti tahapan Knowledge Discovery in Databases (KDD) meliputi pemahaman masalah, pengumpulan data, preprocessing, transformasi fitur, pemodelan, evaluasi, dan implementasi sistem. SVM dengan kernel linear dipilih karena performa yang efisien dan stabil, terutama untuk dataset berdimensi tinggi. Data dianalisis menggunakan metrik akurasi, presisi, recall, dan F1-score, dengan hasil evaluasi menunjukkan akurasi sebesar 82,4%, presisi 79,6%, recall 76,1%, dan F1-score 77,8%. Hasil ini menunjukkan bahwa model SVM dapat melakukan klasifikasi risiko diabetes secara efektif dan seimbang. Selain itu, sistem ini diimplementasikan ke dalam aplikasi yang memungkinkan pengguna melakukan prediksi mandiri terhadap risiko diabetes secara cepat dan mudah diakses, tanpa perlu datang ke fasilitas kesehatan. Temuan ini memberikan kontribusi penting dalam pemanfaatan machine learning untuk mendukung deteksi dini penyakit kronis berbasis data medis, khususnya di Indonesia, di mana akses terhadap layanan kesehatan masih terbatas bagi sebagian masyarakat. Dengan antarmuka yang sederhana dan berbasis web, aplikasi ini diharapkan dapat mendorong kesadaran masyarakat untuk memantau kesehatan secara proaktif.