PREDIKSI PENYAKIT DIA BETES MELLITUS DENGAN METODE SUPPORT VECTOR MACHINE BERBASIS PARTICLE SWARM OPTIMIZATION

Abstrak

Abstract—Diabetes at this time has increased the number of its patient. Diabetes is a disease that can cause complications even can causes death. In this research made model algorithm Support Vector Machines and model algorithm Support Vector Machines based on Particle Swarm Optimization to get the rule to predict the disease diabetes and give a more accurate value of the accuracy. Because there are still a lot of research using Support Vector Machines in predicting diabetes but the accuracy of the resulting value is still less accurate.. After the testing with two models that Support Vector Machines algorithms and Support Vector Machines based on Particle Swarm Optimization and so test the results are by using Support Vector Machines are get accuracy values 74.21% and AUC values was 0.758, while testing by Support Vector Machines based particle swarm optimization are get value accuracy 77.36 % and value AUC is 0.765 to level diagnose good classification. The two this method having the different levels of accuracy is as much as 3.15 % and the difference in value AUC of 0,017.

Intisari—Penyakit diabetes saat ini semakin lama semakin meningkat jumlah penderitanya. Penyakit diabetes adalah salah satu penyakit yang dapat menyebabkan komplikasi bahkan dapat menyebabkan  kematian. Dalam penelitian ini dibuatkan model algoritma Support  Vector Machines dan model algoritma Suppor Vector Machines berbasis Particle Swarm Optimization untuk mendapatkan rule dalam memprediksi penyakit diabetes dan memberikan nilai akurasi yang lebih akurat. Dikarenakan masih banyak penelitian yang menggunakan metode Support  Vector Machines dalam memprediksi penyakit diabetes tetapi nilai akurasi yang dihasilkan masih kurang akurat.  Setelah dilakukan pengujian dengan dua model yaitu Algoritma Support  Vector Machines dan Support Vector Machines berbasis Particle Swarm Optimization maka hasil yang didapat adalah algoritma sehingga didapat pengujian dengan menggunakan Support Vector Machines dimana didapat nilai accuracy adalah 74.21% dan nilai AUC adalah 0.758, sedangkan pengujian dengan menggunakan Support Vector Machines berbasis Particle Swarm Optimization didapatkan nilai accuracy 77.36% dan nilai AUC adalah 0.765 dengan tingkat diagnosa good classification. Sehingga kedua metode tersebut memiliki perbedaan tingkat akurasi yaitu sebesar 3.15% dan perbedaan nilai AUC sebesar 0,017.

Kata Kunci— Diabetes, Particle Swarm Optimization, Support Vector Machine.