PERBANDINGAN TINGKAT AKURASI ANTARA SUPPORT VECTOR MACHINE (SVM) MENGGUNAKAN KERNEL POLINOMIAL & KERNEL RADIAL BASIS FUNCTION (RBF) UNTUK KLASIFIKASI PENYAKIT POLYCYSTIC OVARY SYNDROME (PCOS)

Abstrak

Polycystic Ovary Syndrome (PCOS) merupakan gangguan hormonal yang umum dialami wanita usia reproduksi. Diagnosis dini terhadap PCOS sangat penting untuk mencegah komplikasi jangka panjang. Dalam penelitian ini, penulis melakukan klasifikasi data PCOS menggunakan metode Support Vector Machine (SVM) dengan dua jenis kernel, yaitu Kernel Polinomial dan Kernel Radial Basis Function (RBF)., serta melakukan perbandingan terhadap metode Regresi Logistik. Proses klasifikasi dengan menggunakan dataset yang telah diproses melalui tahap preprocessing dan pembagian data. Proses training dan testing dilakukan untuk mengevaluasi kinerja model. Model SVM dengan Kernel Polinomial menghasilkan akurasi sebesar 71%, sedangkan model SVM dengan Kernel RBF memberikan hasil akurasi sebesar 72%. Sebagai perbandingan, metode Regresi Logistik memperoleh akurasi tertinggi sebesar 74%. Hasil ini menunjukkan bahwa SVM dengan Kernel RBF mampu memberikan performa yang kompetitif dibandingan metode lainnya, terutama dalam menangani data yang bersifat non-linier.

Polycystic Ovary Syndrome (PCOS) is a hormonal disorder that is common in women of reproductive age. Early diagnosis of PCOS is very important to prevent long-term complications. In this study, the author classified PCOS data using the Support Vector Machine (SVM) method with two types of kernels, namely the Polynomial Kernel and the Radial Basis Function (RBF) Kernel, and compared it to the Logistic Regression method. The classification process uses a dataset that has been processed through the preprocessing and data division stages. The training and testing processes are carried out to evaluate model performance. The SVM model with the Polynomial Kernel produces an accuracy of 71%, while the SVM model with the RBF Kernel produces an accuracy of 72%. In comparison, the Logistic Regression method obtained the highest accuracy of 74%. These results indicate that SVM with the RBF Kernel is able to provide competitive performance compared to other methods, especially in handling non-linear data.