Penerapan ADASYN pada Support Vector Machine untuk Klasifikasi Penyakit Diabetes

Klasifikasi merupakan salah satu teknik machine learning yang digunakan untuk mengelompokkan data berdasarkan pola yang dipelajari dari data historis. Ketidakseimbangan distribusi kelas dapat memengaruhi performa algoritma klasifikasi, terutama dalam mengenali kelas dengan jumlah data yang lebih sedikit. Penelitian ini bertujuan menganalisis pengaruh metode Adaptive Synthetic Sampling (ADASYN) terhadap performa Support Vector Machine (SVM) dalam klasifikasi Diabetes Mellitus. Dataset yang digunakan merupakan data rekam medis pasien dari Puskesmas Pulo Lor Kabupaten Jombang dan RSUD dr. Muhammad Zyn. Setelah proses data cleaning, diperoleh 588 data dengan sembilan fitur. Penelitian dilakukan melalui tahapan preprocessing, normalisasi Min-Max Scaling, pembagian data 80:20, pencarian parameter terbaik menggunakan Stratified K-Fold Cross Validation, penerapan ADASYN pada data latih, dan klasifikasi menggunakan kernel Linear, Polynomial, Radial Basis Function (RBF), dan Sigmoid. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa kernel Linear, Polynomial, dan RBF tanpa ADASYN memberikan performa terbaik dengan accuracy 94,92%, precision 93,75%, recall 88,24%, dan F1-score 90,91%. Penerapan ADASYN meningkatkan kemampuan model mengenali kelas NON-DM pada beberapa skenario, namun belum meningkatkan performa klasifikasi secara keseluruhan.