KLASIFIKASI PENYAKIT TIROID DENGAN MENGGUNAKAN SELEKSI FITUR INFORMATION GAIN DAN ALGORITMA LEAST SQUARE SUPPORT VECTOR MACHINE

Tiroid merupakan salah satu kelenjar yang memiliki peran penting dalam tubuh. Namun, terdapat gangguan pada kelenjar tiroid menyebabkan adanya penyakit tiroid yaitu hipertiroid dan hipotiroid . Klasifikasi merupakan salah satu teknik dari data mining yang dapat digunakan untuk membuat prediksi. Dalam klasifikasi ini menggunakan metode Least Square Support Vector Machine (LSSVM) dan seleksi fitur Information Gain. Data yang digunakan merupakan data pasien yang bersumber dari UCI Machine Learning dengan 31 fitur dan 3 kelas yaitu Normal, Hipertiroid dan Hipotiroid. Dalam dataset ini terdapat jumlah data kelas yang tidak seimbang dan jumlah dimensi fitur yang tinggi. Tujuan dari penelitian ini dilakukan adalah mengetahui kinerja seleksi fitur Information Gain dan pengaruh penggunaan SMOTE untuk mengatasi data yang tidak seimbang. Pengujian ini menggunakan data latih dan data uji 90:10. Hasil menunjukkan penggunaan Synthetic Minority Over-Sampling Technique (SMOTE) dan seleksi fitur memberikan evaluasi kinerja tertinggi dengan akurasi 97.59%, precision 97.59%, recall 97.59%, dan f1-score sebesar 97.58%.