OPTIMASI KINERJA KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA PENYAKIT JANTUNG MENGGUNAKAN GRID SEARCH

Klasifikasi adalah teknik dalam data mining yang digunakan untuk mengelompokkan data berdasarkan pola yang telah dipelajari. Salah satu metode yang sering diterapkan dalam klasifikasi adalah Support Vector Machine (SVM), Support Vector Machine adalah pembelajaran terarah (supervised learning) yang bekerja dengan mencari hyperplane terbaik untuk memisahkan kelas data. Support Vector Machine memiliki kelemahan dalam hal sensitivitas terhadap pemilihan parameter kernel dalam menentukan kombinasi parameter yang optimal. Penelitian ini bertujuan mengklasifikasi penyakit jantung dengan menerapkan metode Support Vector Machine (SVM) yang dioptimalkan melalui grid search serta menerapkan teknik Synthetic Minority Over-sampling Technique (SMOTE) dalam menangani data tidak seimbang. Hasil evaluasi penelitian ini dengan model Support Vector Machine dalam berbagai kondisi pada data penyakit jantung. Model Support Vector Machine tanpa SMOTE pada pembagian data 80:20 dan 70:30 menghasilkan akurasi tertinggi 85%. Penggunaan SMOTE memberikan peningkatan pada nilai AUC yaitu sebesar 0,908 dibandingkan dengan model tanpa SMOTE yang hanya mencapai AUC 0,643. Setelah dilakukan penerapan SMOTE hasil menjadi lebih optimal yang ditunjukkan dengan peningkatan nilai AUC dibandingkan dengan model tanpa SMOTE.