Comparison of KNN and SVM Algorithms Performance Using SMOTE to Classify Diabetes

Abstract

Diabetes seringkali tidak terdeteksi atau didiagnosis terlambat. Hal ini dapat menyebabkan berbagai komplikasi serius, seperti kerusakan organ, stroke, dan penyakit jantung. International Diabetes Federation (IDF) menyebutkan bahwa 10,5% dari populasi orang dewasa berusia 20 hingga 79 tahun didiagnosis menderita diabetes dan hampir setengahnya tidak menyadari kondisi tersebut, sehingga angka penderita diabetes terus meningkat secara signifikan, mencapai empat kali lipat dibandingkan dengan periode sebelumnya. Deteksi diabetes secara dini merupakan langkah penting bagi penderita untuk mencegah munculnya komplikasi, salah satunya dengan memanfaatkan teknologi kecerdasan buatan, yaitu penambangan data. Oleh sebab itu, diperlukan pengetahuan mengenai algoritma yang efektif digunakan untuk melakukan deteksi penyakit diabetes. Penelitian ini bertujuan untuk membandingkan dua algoritma, yakni k-nearest neighbor (KNN) dan support vector machine (SVM), dalam klasifikasi penyakit diabetes menggunakan synthetic minority oversampling technique (SMOTE). Penelitian ini menerapkan metode machine learning life cycle untuk mengukur kinerja kedua algoritma. Hasil penelitian menunjukkan bahwa kedua algoritma memiliki kinerja yang baik dalam mendeteksi diabetes, tetapi terdapat perbedaan kinerja yang signifikan antara keduanya. Algoritma SVM dengan kernel radial basis function (RBF) mencapai akurasi sebesar 81,67%, presisi 85,91%, recall 79,01%, dan F1-score 82,32%. Di sisi lain, algoritma KNN dengan nilai k = 3 yang ditemukan melalui cross-validation mencapai akurasi sebesar 83,33%, presisi 85,00%, recall 83,95%, dan F1-score 84,47%. Berdasarkan evaluasi confusion matrix, KNN menunjukkan kinerja yang lebih unggul dibandingkan SVM dalam hal akurasi dan metrik evaluasi lainnya. Hasil ini menunjukkan bahwa KNN lebih efektif dalam mendeteksi diabetes pada dataset yang digunakan dalam penelitian ini.