METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN ALGORITMA SUPPORT
VECTOR MACHINE DENGAN OPTIMASI GRID SEARCH CROSS-VALIDATION
Azkiyatun NadrohA.
Deny Nugroho Triwibowo.
Bagus Bambang Sumantri Fakultas Sains dan Teknologi.
Universitas Harapan Bangsa.
Purwokerto.
Indonesia Email: azkiyatunnadroh56@gmail.
DOI: https://doi.
org/10.
46880/jmika.
Vol8No2.
ABSTRACT
Toddlers are children aged 0 to 59 months who experience rapid growth and development and require a higher intake of nutrients.
This study aims to classify the nutritional status of toddlers using the support vector machine (SVM) algorithm with grid search cross-validation optimization.
The quality of a toddler's nutrition significantly affects their growth and development, and malnutrition is a major issue in Indonesia.
Data were obtained from Posyandu Desa Jagalempeni, comprising a total of 512 toddler data entries.
After undergoing pre-processing and feature engineering, the data were classified using SVM.
The initial results showed an accuracy of 79,29%.
Following the application of grid search cross-validation optimization with the radial basis function (RBF) kernel, accuracy increased to 85,71%.
These results indicate that grid search cross-validation is effective in optimizing SVM model parameters and improving classification performance.
Keyword: Toddlers.
Classification.
Support Vector Machine.
Grid Search Cross-Validation.
ABSTRAK
Balita adalah anak-anak yang berusia antara 0 hingga 59 bulan, berada dalam fase pertumbuhan dan perkembangan yang pesat, serta memerlukan asupan gizi dalam jumlah yang lebih besar.
Penelitian ini bertujuan untuk mengklasifikasikan status gizi balita dengan menggunakan algoritma support vector machine (SVM) yang dioptimalkan melalui grid search cross-validation.
Kualitas gizi balita sangat berpengaruh terhadap pertumbuhan dan perkembangan anak, dan masalah gizi kurang merupakan salah satu isu utama di Indonesia.
Data diperoleh dari Posyandu Desa Jagalempeni dengan total 512 data balita.
Setelah proses pra-pemrosesan dan rekayasa fitur, data diklasifikasikan menggunakan SVM.
Hasil awal menunjukkan akurasi sebesar 79,29%.
Setelah penerapan optimasi grid search cross-validation dengan kernel radial basis function (RBF), akurasi meningkat menjadi 85,71%.
Hasil ini menunjukkan bahwa grid search cross-validation efektif dalam mengoptimalkan parameter model SVM dan meningkatkan kinerja klasifikasi.
Kata Kunci: Balita.
Klasifikasi.
Support Vector Machine.
Grid Search Cross-Validation.
PENDAHULUAN
Salah satu faktor yang menentukan kesehatan masyarakat di setiap wilayah adalah kualitas gizi balita.
Gizi yang baik pada balita sangat berpengaruh terhadap pertumbuhan normal, perkembangan fisik, dan kecerdasan anak.
Di Indonesia, masalah gizi paling umum adalah gizi kurang dan anak balita yang berusia antara 0 hingga 5 tahun yang merupakan kelompok usia paling rentan mengalami gizi kurang (Kementerian Kesehatan, 2.
Berdasarkan hasil Survei Status Gizi Indonesia (SSGI) yang dipublikasikan oleh Kementerian Kesehatan pada Rapat Kerja Nasional BKKBN tahun 2023, tingkat kejadian stunting di Indonesia mengalami penurunan dari 24,4% menjadi 21,6% pada tahun 2022 (Kementerian Kesehatan.
Pertumbuhan fisik balita dipantau secara rutin setiap bulan melalui Posyandu balita (Vizianti, 2.
Salah satu kegiatan Posyandu adalah pemeriksaan antropometri untuk emantau pertumbuhan dan perkembangan anak, serta menilai status gizi balita.
Antropometri merupakan metode yang digunakan untuk mengukur proporsi, dan komposisi tubuh manusia yang menjadi acuan dalam menilai status gizi (Kementerian Kesehatan, 2.
Kader Posyandu bertanggung jawab untuk melakukan pengukuran antropometri, yang meliputi berat badan, tinggi badan, lingkar lengan atas, dan lingkar kepala.
Teknologi informasi yang terus berkembang memungkinkan pemanfaatan teknik analisis data untuk mendukung pengambilan keputusan di bidang Kesehatan (Arta et al.
, 2.
Penerapan teknologi dan metodologi data mining dapat memberikan kontribusi Halaman 250 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
signifikan untuk memahami dan menganalisis kondisi gizi balita.
Data mining adalah istilah yang menggambarkan proses penemuan pengetahuan dalam basis data .
(Sumantri & Utami, 2.
Salah satu teknik dalam data mining yang dapat diaplikasikan untuk menganalisis kondisi gizi balita adalah klasifikasi (Fatonah & Pancarani, 2.
, (Islam et al.
Algoritma support vector machine memiliki tingkat sensitivitas yang rendah terhadap nilai awal, sehingga mampu mengatasi masalah yang mungkin timbul pada algoritma lain dan mampu melakukan pemisahan linear pada data non Ae linear berdimensi besar (Widaningsih, 2.
, (Praghakusma & Charibaldi, 2.
Support vector machine masih memerlukan perbaikan, terutama dalam proses pemilihan fitur yang optimal dan penyesuaian bobot atribut, sehingga masalah ini dapat mengakibatkan akurasi prediksi yang rendah (Andriyani et al.
, 2.
Oleh karena itu, melakukan optimasi menjadi langkah yang menjamin model yang dapat memberikan hasil klasifikasi yang paling optimal (Pramudhyta & Rohman, 2.
Ada beberapa teknik optimasi yang umum digunakan dalam pemilihan parameter model, seperti grid search cv, random search, particle swarm optimization .
, genetic algorithm dan lain-lain (Aina et al.
, 2.
Penelitian ini memilih menggunakan optimasi grid search cross-validation.
Ini memungkinkan penentuan parameter algoritma secara terstruktur dengan mengeksplorasi kombinasi nilai yang telah ditetapkan sebelumnya, sehingga dapat meningkatkan akurasi model sekaligus mengurangi potensi overfitting (Marketbrew, 2.
Grid search cross-validation merupakan teknik yang berguna untuk menemukan nilai parameter yang paling optimal bagi sebuah model (Fajri & Primajaya, 2.
Grid search crossvalidation akan digunakan pada penelitian ini untuk memilih parameter support vector machine yang tepat dan optimal dengan tujuan meningkatkan hasil akurasi.
Berdasarkan pemaparan latar belakang masalah tersebut, penelitian ini menerapkan algoritma support mengklasifikasikan status gizi balita guna mengatasi ketidakakuratan data antropometri di Posyandu Desa Jagalempeni.
Penggunaan algoritma support vector machine dalam klasifikasi ini dengan dioptimalkan melalui grid search cross-validation yang bertujuan untuk meningkatkan kinerja algoritma tersebut.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
TINJAUAN PUSTAKA Penulis melampirkan penelitian sebelumnya yang berkaitan dengan penelitian ini.
(Awalullaili et al.
telah melakukan penelitian dengan judul AuKlasifikasi Hipertensi Menggunakan Metode SVM Grid Search dan SVM Genetic AlgorithmAy.
Tujuan penelitian ini adalah untuk mengklasifikasikan kasus tekanan darah menjadi dua kategori, yaitu tekanan darah normal dan hipertensi.
Data yang digunakan dalam penelitian ini adalah sebanyak 510 record.
Hasil penelitian menunjukkan bahwa metode SVM grid search dengan kernel RBF menghasilkan akurasi terbaik, yaitu 89.
Penelitian dengan judul AuKlasifikasi Penyakit Diabetes Retinopati Menggunakan Support Vector MachineAy yang dilakukan oleh (Fatmawati & Rifai, 2.
memiliki tujuan untuk mengembangkan model klasifikasi yang efektif untuk mendeteksi diabetes retinopati menggunakan metode Support Vector Machine (SVM).
Data yang digunakan dalam penelitian ini berjumlah 1151 sampel, yang terdiri dari 540 pasien kontrol dan 611 pasien yang terdiagnosa diabetes retinopati.
Hasil penelitian menunjukkan bahwa model terbaik untuk klasifikasi diabetes retinopati diperoleh dengan parameter cost 10, yang menghasilkan akurasi sebesar 74,8%.
Pada penelitian yang dilakukan oleh (Darmawan & Dianta, 2.
yang berjudul AuImplementasi Optimasi Hyperparameter GridSearchCV Pada Sistem Prediksi Serangan Jantung Menggunakan SVMAy bertujuan untuk membuat sistem prediksi serangan jantung dengan menggunakan SVM hyperparameter GridSearchCV.
Jumlah data yang digunakan terdiri dari 302 data dan hasil penelitian menunjukkan bahwa model yang dibangun dapat memprediksi kemungkinan serangan jantung dengan akurasi sebesar 86,0%, precision sebesar 84,0%, recall sebesar 91,0%, dan f1-score sebesar 87,0%.
Kemudian, (Iriananda et al.
, 2.
melakukan penelitian dengan judul AuOptimasi Klasifikasi Sentimen Komentar Pengguna Game Bergerak Menggunakan Svm.
Grid Search Dan Kombinasi NGramAy bertujuan untuk menganalisis sentimen dari teks ulasan pengguna pada permainan mobile populer dan memberikan wawasan bagi pengembang game untuk meningkatkan kualitas game.
Jumlah data yang digunakan dalam penelitian ini adalah 3600 baris data, dengan rasio data latih dan data uji sebesar 75:25.
Hasil penelitian menunjukkan bahwa metode SVM mencapai Halaman 251 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
akurasi optimum sebesar 87,33%, yang merupakan 17,33% sebelumnya yang hanya mencapai akurasi 70%.
Penelitian lain dengan judul penelitian AuOptimalisasi Algoritma Random Forest dan Support Vector Machine untuk Analisis Sentimen Ulasan Aplikasi PrimaKuAy oleh (Misriati & Aryanti, 2.
berujuan untuk mengoptimalkan penggunaan algoritma Random Forest dan Support Vector Machine (SVM) dalam analisis sentimen ulasan aplikasi PrimaKu.
Jumlah data yang digunakan dalam penelitian ini 000 dengan hasil penelitian menunjukkan SVM sebelum menggunakan teknik GridSearchCV diperoleh 74,5% dan dengan menggunakan teknik GridSearchCV menunjukkan adanya peningkatan sebesar 13,5% sehingga diperoleh nilai akurasi sebesar METODE PENELITIAN Penelitian ini merupakan penelitian yang menggunakan pendekatan kuantitatif dan termasuk termasuk dalam jenis penelitian eksperimen, yaitu dengan menggunakan algoritma Support Vector Machine (SVM) dengan optimasi Grid Search.
Langkah-langkah penelitian ini adalah sebagai berikut:
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
akan diteliti, sebagaimana terlampir dalam Tabel di bawah ini.
Tabel 1.
Atribut Data Atribut Nama Balita Alamat Tanggal Lahir Nama Orang Tua Jenis Kelamin Umur Berat Badan Tinggi Badan Lingkar Lengan Atas Lingkar Kepala IMT/U anak usia 0 - 60 bulan Keterangan Nama balita Alamat balita Tanggal lahir balita Nama orang tua balita Jenis kelamin balita Umur balita .
Ae 60 bula.
Berat badan terakhir diukur .
Tinggi badan terakhir diukur .
Lingkar lengan atas terakhir diukur .
Lingkar lengan terakhir diukur .
Indeks dibandingkan umur anak usia 0 - 60 bulan Atribut data yang digunakan dalam penelitian ini meliputi jenis kelamin, umur, berat badan, tinggi badan, dan IMT/U yang merupakan indikator utama dalam pengukuran antropometri.
Preprocessing Data Langkah pre-processing ini merupakan bagian dari proses pengolahan data yang mencakup pembersihan data serta penghapusan nilai yang hilang, data yang berulang, dan data yang tidak relevan (Aldama & Nasir, 2.
Data dibagi dengan rasio 70:30, dimana 70% digunakan untuk data latih dan 30% digunakan untuk data uji.
Studi Literatur Studi literatur ini dilakukan untuk membantu penulis dalam memahami landasan teori yang mendukung penelitian serta melihat penelitian Ae penelitian terdahulu yang relevan.
Penulis melakukan studi literatur dengan mereview sekitar 40 jurnal nasional dan internasional terkait dalam penelitian ini.
Feature Engineering Proses feature extraction dilakukan untuk mengubah data mentah menjadi fitur yang lebih representatif untuk analisis.
Pada tahap ini, data yang masih berupa string atau teks diproses dan diubah menjadi bentuk numerik atau nominal.
Seleksi fitur adalah proses pemilihan fitur yang relevan berdasarkan kriteria tertentu untuk memperoleh fitur yang optimal.
Dataset akan melalui seleksi menggunakan metode pemilihan mundur .
ackward selectio.
sebagai metode seleksi fitur untuk mengidentifikasi atributatribut yang kurang berpengaruh atau tidak relevan dalam dataset.
Pengumpulan Data Dalam pengumpulan data, penulis memperoleh informasi dari kader Posyandu.
Data dikumpulkan pada bulan Januari hingga Februari 2024 dengan total 512 Data yang diperoleh mencakup atribut balita yang Penerapan Algoritma Support Vector Machine Penelitian ini terdapat dua kelas yang digunakan, yaitu gizi kurang dan gizi baik.
Oleh karena itu, metode support vector machine yang diterapkan adalah klasifikasi biner.
Gambar 1.
Langkah Penelitian Halaman 252 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
yang dijelaskan pada Tabel 2 dengan rincian sebagai Tabel 2.
Jumlah Balita Sesuai Status Gizi Balita Status Gizi Jumlah Presentase Gizi Kurang Gizi Baik Total Pre-prosessing Data Pre-processing data dilakukan untuk mengolah data, termasuk pembersihan data serta penghapusan nilai yang hilang .
issing value.
dan data yang berulang .
dalam data yang digunakan untuk Tabel 3 memperlihatkan perbandingan jumlah data sebelum dan setelah penghapusan data Gambar 2.
Alur Klasifikasi Hasil Akurasi Penerapan Algoritma Support Vector Machine Langkah selanjutnya adalah mengevaluasi hasil penerapan algoritma support vector machine.
Evaluasi dilakukan dengan menggunakan confusion matrix.
Hasil akurasi ini akan memberikan gambaran mengenai seberapa baik model support vector machine dalam mengklasifikasikan status gizi balita.
Optimasi Grid Search Cross-Validation Penelitian ini akan mencoba mengoptimalkan parameter algoritma support vector machine melalui grid search cross-validation untuk mendapatkan tingkat akurasi yang lebih tinggi.
Perbandingan Sebelum dan Sesudah Optimasi Grid Search Cross-Validation Setelah memperoleh performa klasifikasi dari algoritma support vector machine dan penerapan grid search cross-validation, langkah selanjutnya adalah membandingkan kinerja algoritma support vector machine sebelum dan setelah penerapan optimasi grid search cross-validation dalam klasifikasi status gizi balita berdasarkan nilai performa klasifikasi yang HASIL DAN PEMBAHASAN Pengumpulan Data Dari hasil penelitian di Posyandu Desa Jagalempeni, diperoleh data mengenai status gizi balita Tabel 3.
Tabel Data Preprosessing Sebelum Sesudah Jumlah Jumlah Jumlah Jumlah Baris Kolom Baris Kolom Feature Engineering Data yang masih dalam bentuk string atau teks perlu diubah menjadi format numerik agar model klasifikasi dapat memprosesnya.
Pada kolom jenis kelamin, nilai AuPAy diubah menjadi angka 1, sedangkan nilai AuLAy diubah menjadi angka 2.
Sementara itu, pada kolom imt/u, kelas AuGizi KurangAy diubah menjadi angka 1 dan AuGizi BaikAy diubah menjadi angka 2.
Beberapa perubahan data dapat dilihat pada Tabel Tabel 4.
Tabel Transformasi Data Umur .
Klasifikasi Algortima Support Vector Machine Dataset akan dibagi menjadi tiga bagian, yaitu data latih dan data uji dengan rasio 70:30.
Algoritma kemudian diterapkan dan diuji pada dataset yang telah diolah dan dipisahkan tersebut.
Tabel berikut Halaman 253 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
menggunakan algoritma klasifikasi SVM.
Tabel 5.
Hasil Akurasi SVM
Kelas Precission Recall F1-Score
0,86
0,56
0,68
0,77
0,94
0,85
Akurasi: 79,29% Secara keseluruhan, akurasi model mencapai 79,29%, artinya model mampu mengklasifikasikan 79,29% dari seluruh data dengan benar.
Meskipun demikian, terdapat ketidakseimbangan kinerja antara kedua kelas, khususnya dengan recall yang lebih rendah untuk kelas 1.
Hal ini menunjukkan perlunya keseimbangan dan performa model secara keseluruhan.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
perbandingan antar kernel SVM ini ditunjukkan pada Tabel 6 berikut.
Kernel Rbf Rbf Linear Rbf Linear Poly Tabel 6.
Perbandingan Kernel SVM Parameter Std {'C': 10, 'gamma': 0.
'kernel': 'rbf'} {'C': 10, 'gamma': 0.
'kernel': 'rbf'} {'C': 1000, 'kernel': 'linear'} 'C': 100, 'gamma': 0.
'kernel': 'rbf'} {'C': 10, 'kernel': 'linear'} a a {'C': 1000, 'degree': 2, 'gamma': 0.
05, 'kerne.
Hasil analisis pada Tabel 6 menunjukkan kernel rbf dengan parameter C:10, gamma:0.
2 menduduki peringkat pertama dengan deviasi standar skor sebesar Ini menunjukkan bahwa konfigurasi ini memberikan kinerja terbaik dan paling konsisten di antara semua kernel yang diuji.
RBF merupakan kernel yang terbaik dalam penelitian ini.
Selanjutnya, dilakukan pencarian parameter terbaik menggunakan grid search.
Tabel 7 menunjukkan parameter dengan nilai parameter, estimator, dan validasi silang terbaik dari model SVM.
Gambar 3.
Hasil Confusion Matrix Hasil confusion matrix menunjukkan bahwa sebanyak 31 data yang benar-benar termasuk dalam kelas 1 berhasil diprediksi dengan tepat oleh model sebagai kelas 1 (True Positiv.
Sebanyak 24 data yang sebenarnya termasuk dalam kelas 1 secara keliru diprediksi oleh model sebagai kelas 2.
Sebanyak 5 data yang sebenarnya termasuk dalam kelas 2 secara keliru diprediksi oleh model sebagai kelas 1.
Sebanyak 80 data yang benar-benar termasuk dalam kelas 2 berhasil diprediksi dengan tepat oleh model sebagai kelas 2 (True Negativ.
Optimasi Grid Search Cross-Validation Proses optimasi dimulai dengan pemilihan jenis kernel yang akan diterapkan pada model SVM.
Parameter grid yang digunakan mencakup kernel linier, polinomial, serta RBF sementara k-fold crossvalidation diterapkan dengan 10-fold.
Hasil analisis Tabel 7.
Param.
Estimator dan Validasi Silang Terbaik Params Estimator Cross-Validation {'C': 10, 'gamma':
SVC(C=10,
gamma=0.
'kernel':
'rbf'} Hasil penerapan estimator ini dapat dilihat pada Tabel 8.
Berdasarkan hasil tersebut, dapat dianalisis performa model dan efektivitas estimator dalam menyelesaikan tugas klasifikasi.
Tabel 8.
Hasil Akurasi Grid Search
Kelas Precission Recall F1-Score
0,87
0,75
0,80
0,85
0,93
0,89
Akurasi: 85,71% Halaman 254 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
Berdasarkan perbandingan antara Tabel 5 dan Tabel 8, terdapat pengaruh signifikan setelah penerapan metode optimasi grid search crossvalidation.
Akurasi meningkat sebesar 6,42%, sehingga akurasi baru mencapai 85,71%.
Hasil dari confusion matrix dapat dilihat pada gambar berikut.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
(Awalullaili et al.
Klasifikasi Penyakit Diabetes Retinopati Menggunakan Support Vector Machine Algoritma Grid Search CrossValidation (Fatmawati & Rifai.
Gambar 4.
Confusion Matrix Setelah Optimasi Perbandingan Sebelum dan Sesudah Penggunaan Optimasi Grid Search Perbandingan akurasi hasil sebelum dan sesudah penerapan optimasi grid search crossvalidation dalam penelitian ini adalah sebagai berikut.
Tabel 9.
Perbandingan hasil akurasi
SVM
SVM GridSearch SV
85,71%
Penggunaan Grid Search pada model SVM dalam penelitian ini menghasilkan peningkatan akurasi yang signifikan.
Sebelum dilakukan optimasi, akurasi model SVM adalah 79,29%.
Namun, setelah penerapan grid search cross-validation, akurasi meningkat menjadi 85,71%.
Peningkatan sebesar 6,24% ini menunjukkan efektivitas grid search cross-validation dalam mengoptimalkan parameter model dan meningkatkan kinerja klasifikasi.
Tabel 10.
Perbandingan Hasil Penelitian Ini Dengan Penelitian Terdahulu Judul.
Nama dan Tahun Klasifikasi
Penyakit Hipertensi
Menggunakan Metode Svm Grid
Search Dan Svm
Genetic Algorithm
(GA)
Evaluasi Matrix Hasil Penelitian Hasil analisis yang metode Grid Search pada model SVM dengan kernel RBF menunjukkan nilai Penggunaan Grid Search CV pada model SVM dalam penelitian ini tidak 85,71%, tetapi juga Implementasi Optimasi Hyperparameter GridSearchCV Pada Sistem Prediksi Serangan Jantung Menggunakan SVM (Darmawan Dianta, 2.
Optimasi Klasifikasi Sentimen Komentar Pengguna Game Bergerak Menggunakan Svm.
Grid Search Dan Kombinasi N-Gram (Iriananda et al.
Optimalisasi Random Forest dan Support Vector Machine Hyperparameter Grid Search CV Analisis Sentimen Ulasan PrimaKu klasifikasi penyakit hipertensi sebesar 89,22%.
Penggunaan grid kernel linear serta 5-fold sebanyak 30 model.
Model klasifikasi penyakit diabetes retinopati ini didapatkan dari parameter cost 10 sebesar 74,8%.
Hasil penggunaan gridsearch CV pada serangan jantung menggunakan SVM performa yang baik.
Sistem ini mencapai nilai akurasi sebesar 86,0%, 84,0%, 91,0%, dan f1-score sebesar 87,0%.
Hasil penggunaan model Grid Search kinerja klasifikasi.
Hasil mencapai 87,33%.
88,5%, dan Recall dengan nilai 85,5%.
Hasil
model SVM setelah GridSearch
meningkat menjadi 88%, dengan presisi
84,1%,
81,5%, dan f1-score 82,8%.
performa yang kuat pada metrik lain.
Hasil Di sisi lain, dengan nilai 93%.
F1-score K-fold crossvalidation diterapkan dengan 10-fold pada kernel linear, polynomial, sigmoid, dan RBF bahwa kernel RBF dengan parameter C:10 dan gamma:0.
peringkat pertama.
(Misriati & Aryanti.
Hasil penelitian ini menunjukkan bahwa akurasi sebesar 85,71% berada pada posisi menengah ke atas jika dibandingkan dengan penelitian-penelitian Meskipun akurasi ini tidak setinggi klasifikasi hipertensi yang mencapai 89,22%, hasil ini lebih baik dibandingkan dengan klasifikasi diabetes Halaman 255 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
2 (Oktober 2.
retinopati yang hanya mencapai 74,8%.
Selain itu, hasil menunjukkan kinerja yang baik dengan precision tertinggi sebesar 87% dan recall tertinggi sebesar 93%, menempatkan penelitian ini pada posisi yang kuat dalam hal keseimbangan performa.
Hasil F1-score tertinggi sebesar 89% menunjukkan bahwa penelitian ini berhasil mempertahankan keseimbangan yang sangat baik antara precision dan recall.
KESIMPULAN
Algoritma support vector machine (SVM) yang digunakan dalam penelitian ini menunjukkan tingkat akurasi sebesar 79,79%.
Proses optimasi dengan grid search cross-validation dilakukan menggunakan berbagai jenis kernel dan validasi silang K-fold .
_splits=.
Kernel rbf dengan parameter C:10 dan gamma:0,2 memberikan kinerja terbaik dan paling Setelah penerapan optimasi grid search cross-validation, akurasi model meningkat sebesar 6,24%, dari 79,29% menjadi 85,71%.
Peningkatan ini menunjukkan bahwa grid search cross-validation efektif dalam mengoptimalkan parameter model SVM dan meningkatkan kinerja klasifikasi.
DAFTAR PUSTAKA