Support Vector Machine (SVM) untuk klasifikasi membentuk batas keputusan (decision boundary) yang memisahkan kelas dengan margin sebesar mungkin. Kernel linear menghasilkan batas keputusan berupa garis lurus (hyperplane), sedangkan kernel radial (Radial Basis Function, RBF) dapat menghasilkan batas yang melengkung sehingga mampu menangkap pola nonlinier. Kinerja SVM bergantung pada pemilihan kernel dan hiperparameter, yaitu cost (C) dan, untuk kernel radial, gamma (James et al., 2021).
SVM banyak digunakan pada klasifikasi data medis. As’ari dan Kusrini (2025) mengevaluasi SVM kernel RBF untuk klasifikasi diabetes pada data Pima Indians Diabetes dengan tuning parameter C dan gamma, sedangkan Junus et al. (2023) menerapkan SVM dan random forest untuk deteksi awal risiko diabetes melitus. Berdasarkan hal tersebut, praktikum ini membandingkan kernel linear dan radial dengan tuning terstruktur pada data training.
Pada praktikum ini dilakukan klasifikasi status diabetes
(diabetes: neg atau pos) dengan
dua prediktor, yaitu x1 = glucose dan x2 =
pressure. Penanganan missing value mengikuti sintaks
praktikum sebelumnya, yaitu menghapus observasi yang memiliki nilai
hilang pada variabel yang digunakan dengan na.omit()
sebelum data dibagi. Data dibagi menjadi 70% data training dan 30% data
testing dengan set.seed(234) dan
createDataPartition(). Kernel linear dan radial
dibandingkan, dengan tuning 5-fold cross-validation untuk kombinasi
cost = 0,1; 1; 10; 100 dan gamma = 0,001;
0,01; 0,1; 1 pada kernel radial. Model terbaik digunakan untuk
memprediksi data testing dan dievaluasi dengan confusion
matrix, Accuracy, Precision, Recall (Sensitivity), Specificity,
F1-Score, dan ROC-AUC, dengan kelas pos sebagai kelas
positif.
SVM mencari hyperplane yang memaksimalkan margin antarkelas. Pada data yang tidak terpisah sempurna digunakan soft margin, yaitu pelanggaran margin diperbolehkan dengan penalti yang diatur oleh parameter cost (C). Observasi yang berada pada atau di dalam margin, atau salah diklasifikasikan, disebut support vector dan menentukan posisi batas keputusan (James et al., 2021).
Kernel linear dirumuskan \(K(x_i,x_j)=x_i^T x_j\), sedangkan kernel radial dirumuskan:
\[K(x_i,x_j)=\exp(-\gamma\|x_i-x_j\|^2)\]
Parameter \(\gamma\) mengatur
jangkauan pengaruh satu observasi. Karena kernel radial berbasis jarak,
prediktor perlu diskalakan; svm() melakukannya secara
otomatis (scale = TRUE). Pemilihan kernel dan penyetelan
parameternya umumnya dilakukan dengan validasi silang pada data training
(James et al., 2021).
Uraian berikut mengacu pada James et al. (2021) dan diperkuat oleh As’ari dan Kusrini (2025) yang melakukan tuning C dan gamma pada SVM-RBF.
Dengan TP, TN, FP, dan FN dihitung terhadap kelas positif
(pos):
\[Accuracy=\frac{TP+TN}{TP+TN+FP+FN},\quad Precision=\frac{TP}{TP+FP},\quad Recall=\frac{TP}{TP+FN}\]
\[Specificity=\frac{TN}{TN+FP},\quad F1=\frac{2\times Precision\times Recall}{Precision+Recall}\]
ROC-AUC adalah luas di bawah kurva ROC (Sensitivity terhadap 1 - Specificity pada berbagai ambang). Nilai 0,5 menunjukkan kemampuan diskriminasi setara tebakan acak dan 1 menunjukkan diskriminasi sempurna (James et al., 2021). Penggunaan beberapa metrik sekaligus, yaitu Accuracy, Precision, Recall, F1-Score, dan ROC-AUC, juga dilakukan oleh As’ari dan Kusrini (2025).
| Komponen | Keterangan |
|---|---|
| Dataset | mlbench (lihat 4.1) |
| Respons | diabetes (neg,
pos); kelas positif = pos |
| Prediktor | x1 = glucose, x2 =
pressure |
| Missing value | na.omit() pada variabel yang dipakai |
| Pembagian data | 70% training, 30% testing, set.seed(234),
createDataPartition() |
| Metode | e1071::svm(),
type = "C-classification" |
| Kernel | Linear dan radial |
| Cost | 0,1; 1; 10; 100 |
| Gamma (radial) | 0,001; 0,01; 0,1; 1 |
| Validasi tuning | 5-fold cross-validation (tune.svm) |
| Evaluasi | Confusion matrix, Accuracy, Precision, Recall, Specificity, F1, ROC-AUC |
## 'data.frame': 768 obs. of 3 variables:
## $ glucose : num 194 129 132 184 108 117 100 88 73 126 ...
## $ pressure: num 50 84 72 62 58 80 80 75 82 92 ...
## $ diabetes: Factor w/ 2 levels "neg","pos": 1 2 1 1 1 2 2 1 1 2 ...
## glucose pressure diabetes
## Min. : 57.0 Min. : 24.00 neg:488
## 1st Qu.:101.0 1st Qu.: 64.00 pos:280
## Median :119.0 Median : 72.00
## Mean :125.3 Mean : 72.59
## 3rd Qu.:144.5 3rd Qu.: 80.00
## Max. :199.0 Max. :108.00
## NAs :5 NAs :35
## glucose pressure diabetes
## 5 35 0
Memuat Package dan Dataset. Data SynthDiabetes2 memuat 768 observasi dengan tiga variabel, yaitu glucose, pressure, dan diabetes. Glucose berkisar 57 sampai 199 dengan median 119 dan rata-rata 125,3. Pressure berkisar 24 sampai 108 dengan median 72 dan rata-rata 72,59. Kedua variabel punya median yang dekat dengan rata-ratanya, sehingga sebarannya tidak terlalu menceng. Respons terdiri atas 488 pasien neg dan 280 pasien pos, jadi kelas pos lebih sedikit (sekitar 36%) dan data tidak seimbang. Pemeriksaan awal juga menemukan missing value, yaitu 5 pada glucose dan 35 pada pressure, sehingga penanganannya perlu dilakukan sebelum pemodelan
## glucose pressure diabetes
## 0 0 0
## [1] 728 3
| Kondisi | Jumlah_Observasi | Missing_Glucose | Missing_Pressure |
|---|---|---|---|
| Sebelum penanganan | 768 | 5 | 35 |
| Setelah penanganan | 728 | 0 | 0 |
| Kelas | Freq |
|---|---|
| neg | 463 |
| pos | 265 |
enanganan Missing Value. Setelah na.omit(), observasi berkurang dari 768 menjadi 728, atau 40 baris yang dibuang. Angka ini sama dengan jumlah missing glucose (5) dan pressure (35), artinya tidak ada baris yang kehilangan nilai di kedua variabel sekaligus. Data akhir lengkap tanpa nilai hilang, dengan 463 neg dan 265 pos. Proporsi pos tetap sekitar 36%, jadi penghapusan baris tidak mengubah komposisi kelas secara berarti.
| Data | Jumlah | Persentase | Neg | Pos |
|---|---|---|---|---|
| Training | 511 | 70.19 | 325 | 186 |
| Testing | 217 | 29.81 | 138 | 79 |
| Total | 728 | 100.00 | 463 | 265 |
Pembagian Data Training dan Testing. Data training berisi 511 observasi (70,19%) dan data testing 217 observasi (29,81%), mendekati proporsi 70:30 yang diminta. Proporsi kelas pos pada training (186 dari 511) dan pada testing (79 dari 217) sama-sama sekitar 36%, sama dengan data keseluruhan. Jadi stratifikasi berjalan baik dan data testing mewakili data training. Dengan begitu, hasil evaluasi nantinya tidak bias akibat perbedaan komposisi kelas.
##
## Parameter tuning of 'svm':
##
## - sampling method: 5-fold cross validation
##
## - best parameters:
## cost
## 0.1
##
## - best performance: 0.2660575
| cost | error | dispersion |
|---|---|---|
| 0.1 | 0.26606 | 0.03794 |
| 1.0 | 0.26998 | 0.03999 |
| 10.0 | 0.26998 | 0.03999 |
| 100.0 | 0.26998 | 0.03999 |
##
## Call:
## svm(formula = diabetes ~ glucose + pressure, data = dat.train, type = "C-classification",
## kernel = "linear", cost = tune.linear$best.parameters$cost, probability = TRUE,
## scale = TRUE)
##
##
## Parameters:
## SVM-Type: C-classification
## SVM-Kernel: linear
## cost: 0.1
##
## Number of Support Vectors: 321
Pemodelan SVM Kernel Linear. Kernel linear memilih cost terbaik 0,1 dengan error cross-validation 0,2661, atau akurasi CV sekitar 73,4%. Pada cost 1, 10, dan 100 error-nya sama, yaitu 0,2700, hanya sedikit di atas cost 0,1. Artinya perubahan cost hampir tidak mengubah batas keputusan, karena garis lurus pada dua variabel sudah mencapai batas kemampuannya. Cost kecil dipilih karena margin yang lebih lebar sedikit lebih baik dalam memprediksi data yang tidak ikut dilatih. Model memakai 321 support vector dari 511 observasi training (sekitar 63%). Angka ini menunjukkan bahwa kedua kelas banyak tumpang tindih di sekitar batas, sehingga banyak titik berada di dalam margin atau salah sisi..
##
## Parameter tuning of 'svm':
##
## - sampling method: 5-fold cross validation
##
## - best parameters:
## gamma cost
## 0.1 1
##
## - best performance: 0.2582334
## gamma cost
## 7 0.1 1
| gamma | cost | error | dispersion |
|---|---|---|---|
| 0.100 | 1.0 | 0.25823 | 0.03998 |
| 0.010 | 10.0 | 0.26214 | 0.04429 |
| 1.000 | 0.1 | 0.26215 | 0.03871 |
| 0.100 | 10.0 | 0.26215 | 0.03808 |
| 0.010 | 100.0 | 0.26215 | 0.04111 |
| 0.100 | 100.0 | 0.26215 | 0.03808 |
| 0.100 | 0.1 | 0.26410 | 0.04465 |
| 0.001 | 10.0 | 0.26410 | 0.04071 |
| 0.010 | 1.0 | 0.26606 | 0.04270 |
| 0.001 | 100.0 | 0.26802 | 0.03810 |
##
## Call:
## svm(formula = diabetes ~ glucose + pressure, data = dat.train, type = "C-classification",
## kernel = "radial", cost = tune.radial$best.parameters$cost, gamma = tune.radial$best.parameters$gamma,
## probability = TRUE, scale = TRUE)
##
##
## Parameters:
## SVM-Type: C-classification
## SVM-Kernel: radial
## cost: 1
##
## Number of Support Vectors: 311
Pemodelan SVM Kernel Radial dan Tuning. Kombinasi terbaik adalah cost = 1 dan gamma = 0,1, dengan error CV 0,2582 (akurasi CV sekitar 74,2%) dan 311 support vector (sekitar 61%). Beberapa kombinasi lain punya error yang sangat dekat, yaitu sekitar 0,262, sehingga banyak kombinasi memberi kinerja yang hampir setara. Heatmap menunjukkan dua pola. Pertama, gamma sangat kecil (0,001) dengan cost kecil (0,1 atau 1) dan gamma 0,01 dengan cost 0,1 menghasilkan error tertinggi, 0,364. Nilai ini sama dengan proporsi kelas pos di data training, yang berarti model hampir selalu menebak neg karena terlalu kaku (underfitting). Kedua, gamma terbesar (1) dengan cost 100 menghasilkan error 0,295, lebih buruk daripada kombinasi menengah, tanda model terlalu fleksibel dan mulai menyesuaikan noise (overfitting). Kinerja terbaik ada di daerah tengah, yaitu gamma 0,1 dengan cost 1 sampai 100. Dibandingkan kernel linear, kernel radial hanya unggul sekitar 0,8 poin persentase pada CV, jadi kelebihan pola nonlinier pada dua variabel ini kec.
| Glucose | Pressure | Aktual | Pred_Linear | Pred_Radial | |
|---|---|---|---|---|---|
| 8 | 88 | 75 | neg | neg | neg |
| 9 | 73 | 82 | neg | neg | neg |
| 12 | 87 | 60 | neg | neg | neg |
| 15 | 80 | 72 | neg | neg | neg |
| 19 | 126 | 68 | pos | neg | neg |
| 24 | 88 | 62 | neg | neg | neg |
| 30 | 169 | 76 | neg | pos | pos |
| 32 | 179 | 104 | pos | pos | pos |
| 37 | 158 | 82 | pos | pos | pos |
| 38 | 111 | 60 | neg | neg | neg |
Prediksi Data Testing. Pada sepuluh contoh pertama, kedua model memberi prediksi yang identik, dan 8 dari 10 prediksi benar. Dua kesalahan terjadi pada kedua model sekaligus. Pasien nomor 19 (glucose 126, pressure 68) sebenarnya pos tetapi diprediksi neg, sehingga ini kasus diabetes yang terlewat. Pasien nomor 30 (glucose 169, pressure 76) sebenarnya neg tetapi diprediksi pos, yaitu alarm palsu. Pola yang terlihat adalah bahwa glucose tinggi (misalnya 158, 169, 179) cenderung diprediksi pos, sedangkan glucose rendah sampai sedang diprediksi neg. Ini menunjukkan glucose adalah prediktor yang paling berpengaruh. Pasien dengan glucose sedang seperti nomor 19 sulit dipisahkan hanya dari glucose dan pressure. Sepuluh baris ini hanya contoh, sehingga penilaian kinerja yang sebenarnya perlu melihat seluruh 217 data testing pada subbab evaluasi.
## Confusion Matrix - Kernel Linear (baris: prediksi, kolom: aktual)
## Aktual
## Prediksi neg pos
## neg 125 34
## pos 13 45
##
## Confusion Matrix - Kernel Radial (baris: prediksi, kolom: aktual)
## Aktual
## Prediksi neg pos
## neg 130 38
## pos 8 41
## Confusion Matrix and Statistics
##
## Reference
## Prediction neg pos
## neg 125 34
## pos 13 45
##
## Accuracy : 0.7834
## 95% CI : (0.7226, 0.8363)
## No Information Rate : 0.6359
## P-Value [Acc > NIR] : 1.973e-06
##
## Kappa : 0.5041
##
## Mcnemar's Test P-Value : 0.003531
##
## Sensitivity : 0.5696
## Specificity : 0.9058
## Pos Pred Value : 0.7759
## Neg Pred Value : 0.7862
## Prevalence : 0.3641
## Detection Rate : 0.2074
## Detection Prevalence : 0.2673
## Balanced Accuracy : 0.7377
##
## 'Positive' Class : pos
##
## Confusion Matrix and Statistics
##
## Reference
## Prediction neg pos
## neg 130 38
## pos 8 41
##
## Accuracy : 0.788
## 95% CI : (0.7276, 0.8404)
## No Information Rate : 0.6359
## P-Value [Acc > NIR] : 9.258e-07
##
## Kappa : 0.5017
##
## Mcnemar's Test P-Value : 1.904e-05
##
## Sensitivity : 0.5190
## Specificity : 0.9420
## Pos Pred Value : 0.8367
## Neg Pred Value : 0.7738
## Prevalence : 0.3641
## Detection Rate : 0.1889
## Detection Prevalence : 0.2258
## Balanced Accuracy : 0.7305
##
## 'Positive' Class : pos
##
| Kernel | Accuracy | Precision | Recall_Sensitivity | Specificity | F1_Score | AUC |
|---|---|---|---|---|---|---|
| Linear | 0.7834 | 0.7759 | 0.5696 | 0.9058 | 0.6569 | 0.8353 |
| Radial | 0.7880 | 0.8367 | 0.5190 | 0.9420 | 0.6406 | 0.8445 |
Pada data testing, kernel linear memperoleh Accuracy 0,7834, Precision 0,7759, Recall 0,5696, Specificity 0,9058, F1-Score 0,6569, dan AUC 0,8353. Kernel radial memperoleh Accuracy 0,7880, Precision 0,8367, Recall 0,5190, Specificity 0,9420, F1-Score 0,6406, dan AUC 0,8445.
Karena kelas pos dijadikan kelas positif,
Recall menunjukkan proporsi pasien diabetes yang berhasil
terdeteksi, Specificity menunjukkan proporsi non-diabetes yang
benar teridentifikasi, dan Precision menunjukkan seberapa tepat
prediksi pos. Pada data yang kelas neg-nya
lebih banyak, Accuracy dapat tampak tinggi walaupun Recall rendah,
sehingga Recall, F1-Score, dan AUC perlu dibaca bersama Accuracy.
Sebagai pembanding, As’ari dan Kusrini (2025) melaporkan Accuracy 76,6% dan ROC-AUC 0,861 pada data uji Pima Indians Diabetes untuk SVM-RBF dengan alur pra-pemrosesan yang berbeda (seleksi fitur dan penyeimbangan kelas dengan ADASYN, dengan delapan prediktor). Karena praktikum ini hanya memakai dua prediktor, hanya membuang missing value, dan membagi data dengan cara berbeda, perbandingan tersebut bersifat indikatif, bukan perbandingan langsung.
Latar berwarna menunjukkan wilayah kelas prediksi. Kernel linear membentuk batas berupa garis lurus, sedangkan kernel radial dapat membentuk batas yang melengkung sesuai nilai gamma terpilih. Jika batas radial hampir lurus, hal itu menandakan bahwa hubungan glucose dan pressure terhadap diabetes pada data ini cenderung dapat didekati secara linear.
| Cost | Gamma | Jumlah_SV | Akurasi_Train | Akurasi_Test |
|---|---|---|---|---|
| 0.1 | 0.100 | 357 | 0.7417 | 0.7880 |
| 1.0 | 0.100 | 311 | 0.7417 | 0.7880 |
| 10.0 | 0.100 | 299 | 0.7417 | 0.7880 |
| 100.0 | 0.100 | 301 | 0.7417 | 0.7834 |
| 10.0 | 0.001 | 346 | 0.7417 | 0.7834 |
| 10.0 | 0.010 | 318 | 0.7436 | 0.7880 |
| 10.0 | 0.100 | 299 | 0.7417 | 0.7880 |
| 10.0 | 1.000 | 314 | 0.7378 | 0.7604 |
Pengaruh cost. Cost yang kecil menghasilkan batas yang lebih halus dan margin yang lebar sehingga banyak observasi menjadi support vector dan sebagian titik training dibiarkan salah klasifikasi (fleksibilitas rendah, kecenderungan underfitting). Seiring bertambahnya cost, penalti terhadap kesalahan makin besar sehingga margin menyempit, jumlah support vector umumnya berkurang, dan batas keputusan bergeser serta melengkung agar titik training terklasifikasi lebih tepat (fleksibilitas meningkat, kecenderungan overfitting pada cost yang sangat besar).
Pengaruh gamma. Gamma yang kecil membuat pengaruh tiap observasi luas sehingga batas keputusan sangat halus dan mendekati batas linear (fleksibilitas rendah). Gamma yang besar membuat pengaruh sangat lokal sehingga batas keputusan berliku dan membentuk wilayah kecil di sekitar titik tertentu, akurasi training meningkat tetapi akurasi pada data baru berisiko turun (fleksibilitas tinggi dan varians besar). Gamma yang sangat kecil dengan cost kecil dapat membuat model hampir tidak mampu memisahkan kelas.
Keseimbangan. Cost dan gamma saling berinteraksi, sehingga kombinasi optimal ditentukan dengan cross-validation. Pada data ini kombinasi radial terpilih adalah cost = 1 dan gamma = 0.1; perhatikan pada tabel di atas bagaimana selisih akurasi training dan testing melebar ketika model menjadi sangat fleksibel.
| Metrik | Unggul |
|---|---|
| Accuracy | Radial |
| Precision | Radial |
| Recall_Sensitivity | Linear |
| Specificity | Radial |
| F1_Score | Linear |
| AUC | Radial |
## Kernel terbaik: Radial
## gamma cost
## 7 0.1 1
ul pada Accuracy, Precision, Specificity, dan AUC (4 dari 6 metrik), sedangkan kernel linear unggul pada Recall dan F1-Score. Radial dipilih karena kriteria utamanya adalah Accuracy, dengan AUC sebagai pembeda. Keunggulan radial pada AUC berarti kemampuannya memisahkan kedua kelas secara keseluruhan sedikit lebih baik, apa pun ambang klasifikasinya. Keunggulan linear pada Recall berarti kernel ini mendeteksi lebih banyak pasien diabetes sungguhan, tetapi dengan harga lebih banyak alarm palsu, sesuai Specificity dan Precision-nya yang lebih rendah. Radial lebih hati-hati dalam memberi label pos. Selisih Accuracy kedua kernel kurang dari 2 poin persentase, sehingga perbedaannya kecil dan bisa berubah jika data dibagi dengan cara lain. Jadi radial dipilih sebagai kernel terbaik secara keseluruhan. Kalau tujuannya penapisan awal yang lebih mementingkan tidak melewatkan pasien diabetes, kernel linear dengan Recall lebih tinggi masih layak dipertimbangkan. testing ini.”`
Support Vector Machine (SVM) merupakan metode pembelajaran mesin yang digunakan untuk menyelesaikan permasalahan klasifikasi dengan mencari hyperplane terbaik yang memisahkan antar kelas. Sementara itu, Support Vector Regression (SVR) merupakan pengembangan SVM yang digunakan untuk menyelesaikan permasalahan regresi dengan memprediksi nilai numerik. Kedua metode tersebut memiliki prinsip yang berkaitan, yaitu menggunakan support vector sebagai observasi penting dalam membentuk model.
Konsep dasar dalam SVM meliputi hyperplane sebagai batas pemisah antar kelas, margin sebagai jarak antara hyperplane dengan observasi terdekat, support vector sebagai observasi yang menentukan posisi hyperplane, serta soft margin yang memberikan toleransi terhadap kesalahan klasifikasi. Selain itu, fungsi kernel digunakan untuk menangani hubungan data yang tidak dapat dipisahkan secara linear. Pada SVR, konsep epsilon-insensitive loss digunakan untuk mengabaikan kesalahan prediksi yang masih berada dalam batas toleransi epsilon, sedangkan epsilon-tube merupakan batas toleransi di sekitar fungsi regresi.
Implementasi SVR untuk regresi dilakukan menggunakan bahasa pemrograman R dengan memanfaatkan kernel linear dan radial. Kernel linear digunakan untuk memodelkan hubungan yang bersifat linear, sedangkan kernel radial digunakan untuk menangkap hubungan yang bersifat nonlinier. Kedua kernel tersebut diterapkan untuk memodelkan hubungan antara variabel Wind sebagai variabel prediktor dan Ozone sebagai variabel respons. Hasil implementasi selanjutnya digunakan untuk menghasilkan prediksi pada data testing dan membandingkan kinerja kedua model.
Proses tuning parameter dilakukan untuk memperoleh kombinasi parameter terbaik yang dapat meningkatkan performa model. Pada kernel linear, parameter yang digunakan adalah cost dan epsilon, sedangkan pada kernel radial digunakan parameter cost, gamma, dan epsilon. Evaluasi performa model dilakukan menggunakan metode 5-fold cross-validation pada proses tuning serta ukuran MSE, RMSE, MAE, dan R-squared pada data testing. Nilai MSE, RMSE, dan MAE yang lebih rendah menunjukkan kesalahan prediksi yang lebih kecil, sedangkan nilai R-squared yang lebih tinggi menunjukkan kemampuan model yang lebih baik dalam menjelaskan variasi variabel respons.
Berdasarkan hasil analisis klasifikasi status diabetes dengan prediktor glucose (x1) dan pressure (x2) pada data SynthDiabetes2, setelah missing value ditangani tersisa 728 observasi yang dibagi menjadi 511 data training dan 217 data testing dengan proporsi kelas yang relatif sama. Hasil tuning 5-fold cross-validation memberikan cost 0,1 untuk kernel linear (akurasi CV sekitar 73,4%) serta cost 1 dan gamma 0,1 untuk kernel radial (akurasi CV sekitar 74,2%), dengan selisih yang kecil sehingga keunggulan pola nonlinier pada dua variabel ini terbatas. Parameter cost dan gamma terbukti memengaruhi fleksibilitas model: kombinasi yang sama-sama kecil membuat batas keputusan terlalu kaku dan model hampir selalu menebak kelas neg (underfitting), sedangkan gamma besar yang dipadukan dengan cost besar membuat batas keputusan terlalu berliku dan menaikkan error kembali (kecenderungan overfitting), sehingga kinerja terbaik dicapai pada nilai menengah. Pada data testing, kernel radial unggul pada Accuracy, Precision, Specificity, dan AUC (4 dari 6 metrik), sedangkan kernel linear unggul pada Recall dan F1-Score, sehingga kernel radial dengan cost = 1 dan gamma = 0,1 ditetapkan sebagai model terbaik, meskipun selisih Accuracy kedua kernel kurang dari 2 poin persentase sehingga keunggulannya kecil dan dapat berubah pada pembagian data yang lain.
Penelitian lanjutan dapat menambahkan prediktor lain (misalnya
mass dan age), memperluas grid tuning di
sekitar nilai terbaik, menggunakan cross-validation berulang untuk
menilai kestabilan, serta mempertimbangkan penyesuaian ambang
klasifikasi atau pembobotan kelas bila Recall untuk kelas
pos dianggap lebih penting.
As’ari, H., dan Kusrini. (2025). Peningkatan kinerja klasifikasi diabetes menggunakan metode Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF). Jurnal Device, 15(2), 220–232.
James, G., Witten, D., Hastie, T., dan Tibshirani, R. (2021). An Introduction to Statistical Learning: with Applications in R (2nd ed.). Springer.
Junus, C. Z. V., Tarno, T., dan Kartikasari, P. (2023). Klasifikasi menggunakan metode Support Vector Machine dan Random Forest untuk deteksi awal risiko diabetes melitus. Jurnal Gaussian, 11(3), 386–396. https://doi.org/10.14710/j.gauss.11.3.386-396