KLASIFIKASI PENYAKIT MIGRAIN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
DOI:
https://doi.org/10.36595/misi.v8i2.1587Keywords:
support vector machine, klasifikasi migrain, machine learning, IQR, GridSearchCVAbstract
Migrain adalah gangguan neurologis yang dapat menurunkan kualitas hidup penderitanya. Diagnosis migrain umumnya dilakukan secara klinis berdasarkan riwayat medis pasien, namun metode ini sering bersifat subjektif dan berisiko mengalami kesalahan klasifikasi. Tujuan dari penelitian ini adalah untuk membuat model klasifikasi migrain berbasis Support Vector Machine (SVM) untuk diagnosis yang lebih tepat. Tahapan penelitian dimulai dengan pengumpulan dataset migrain dari Kaggle. Selanjutnya dilakukan analisis deskriptif untuk memahami karakteristik data. Pada tahap preprocessing, nilai yang hilang ditangani, outlier dideteksi dan dihapus menggunakan Interquartile Range (IQR) dan Winsorization, serta fitur numerik dinormalisasi dengan StandardScaler. Ketidakseimbangan kelas dalam dataset diatasi menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Model SVM dioptimalkan menggunakan GridSearchCV dengan parameter C, Gamma, dan kernel RBF. Tiga skema pembagian data yaitu 70:30, 80:20, dan 90:10 digunakan untuk mengevaluasi model menggunakan Akurasi, F1-Score, dan ROC-AUC. Dengan akurasi sebesar 75,00%, F1-Score 70,03%, dan ROC-AUC 84,28%, hasil optimal dicapai pada rasio 70:30. Temuan ini menunjukkan seberapa baik model SVM dapat mengkategorikan migrain. Penelitian ini memajukan penggunaan pembelajaran mesin untuk diagnosis migrain yang lebih tepat dan dapat dipercaya.
References
N. Meylakh and L. A. Henderson, “Exploring alterations in sensory pathways in migraine,” J. Headache Pain, vol. 23, no. 1, pp. 1–10, 2022, doi: 10.1186/s10194-021-01371-y.
C. P. Azolia and R. Andriani, “Faktor-faktor yang berpengaruh terhadap migrain tanpa aura pada mahasiswa kedokteran Universitas Tarumanagara,” Tarumanagara Med. J., vol. 5, no. 2, pp. 236–243, 2023, doi: 10.24912/tmj.v5i2.24787.
J. T. Rumuat and A. Rantepadang, “Hubungan Stres Akademik dengan Keluhan Migrain pada Mahasiswa,” Nutr. J., vol. 7, no. 2, p. 150, 2023, doi: 10.37771/nj.v7i2.943.
M. Yuichi and Y. A. Susetyo, “Klasifikasi Penyakit Migrain dengan Metode Naïve Bayes pada Dataset Kaggle,” J. Indones. Manaj. Inform. dan Komun., vol. 6, no. 1, pp. 139–151, Jan. 2025, doi: 10.35870/jimik.v6i1.1150.
C. A. Putra, R. Pratama, and T. Sutabri, “Analisis Manfaat Machine Learning Pada Next-Generation Firewall Sophos Xg 330 Dalam Mengatasi Serangan Sql Injection,” J. Manaj. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 197–204, 2023, doi: 10.36595/misi.v6i2.886.
M. A. Ramadhani et al., “IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE ( SVM ) UNTUK DIAGNOSIS KESEHATAN MANUSIA BERBASIS WEB,” J. Ners, vol. 9, no. 1, pp. 896–902, 2025, doi: 10.31004/jn.v9i1.31481.
N. Maulidah, R. Supriyadi, D. Y. Utami, F. N. Hasan, A. Fauzi, and A. Christian, “Prediksi Penyakit Diabetes Melitus Menggunakan Metode Support Vector Machine dan Naive Bayes,” Indones. J. Softw. Eng., vol. 7, no. 1, pp. 63–68, 2021, doi: 10.31294/ijse.v7i1.10279.
R. S. Tantika and A. Kudus, “Penggunaan Metode Support Vector Machine Klasifikasi Multiclass pada Data Pasien Penyakit Tiroid,” Bandung Conf. Ser. Stat., vol. 2, no. 2, pp. 159–166, 2022, doi: 10.29313/bcss.v2i2.3590.
N. G. Ramadhan and A. Khoirunnisa, “Klasifikasi Data Malaria Menggunakan Metode Support Vector Machine,” J. Media Inform. Budidarma, vol. 5, no. 4, p. 1580, 2021, doi: 10.30865/mib.v5i4.3347.
F. Abdusyukur, “Penerapan Algoritma Support Vector Machine (Svm) Untuk Klasifikasi Pencemaran Nama Baik Di Media Sosial Twitter,” Komputa J. Ilm. Komput. dan Inform., vol. 12, no. 1, pp. 73–82, 2023, doi: 10.34010/komputa.v12i1.9418.
W. Anugrah, E. Haerani, Y. Yusra, and L. Oktavia, “Klasifikasi Penyakit Cacar Monyet Menggunakan Metode Support Vector Machine,” J. Comput. Syst. Informatics, vol. 5, no. 3, p. 45, 2024, doi: 10.47065/josyc.v5i3.5149.
E. Z. H. Putri and H. Fahmi, “Implementasi Metode Support Vector Machine pada Klasifikasi Diagnosis Penyakit Hipertensi,” J. Ris. Mhs. Mat., vol. 3, no. 5, pp. 241–250, Jun. 2024, doi: 10.18860/jrmm.v3i5.27312.
I. F. Yuliati and P. R. Sihombing, “Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 20, no. 2, pp. 417–426, 2021, doi: 10.30812/matrik.v20i2.1174.
Y. Ayuningtyas and I. M. Suartana, “Klasifikasi Penyakit Stroke Menggunakan Support Vector Machine (SVM) dan Particle Swarm Optimization (PSO),” JINACS (Journal Informatics Comput. Sci., vol. 04, no. 04, pp. 452–457, 2023.
P. K. Handayani, “Penerapan Algoritma Support Vector Machine (Svm) Untuk Analisis Pola Klasifikasi Pada Parkinson’S Dataset,” Indones. J. Technol. Informatics Sci., vol. 3, no. 1, pp. 31–35, 2021, doi: 10.24176/ijtis.v3i1.7530.
B. N. Rahman, R. Maulana, and F. Utaminingrum, “Sistem Pendeteksi Penyakit Sinusitis berdasarkan Kondisi Ingus dan Suhu Tubuh menggunakan Support Vector Machine (SVM),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 6, no. 2, pp. 545–551, 2022, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/10555
S. Rahayu and Y. Yamasari, “Klasifikasi Penyakit Stroke dengan Metode Support Vector Machine (SVM),” J. Informatics Comput. Sci., vol. 5, no. 03, pp. 440–446, 2024, doi: 10.26740/jinacs.v5n03.p440-446.
P. Romadloni, B. Adhi Kusuma, and W. Maulana Baihaqi, “Komparasi Metode Pembelajaran Mesin Untuk Implementasi Pengambilan Keputusan Dalam Menentukan Promosi Jabatan Karyawan,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 622–628, 2022, doi: 10.36040/jati.v6i2.5238.
S. Saikin and K. Kusrini, “Model Data Mining Untuk Karekteristik Data Traveller Pada Perusahaan Tour and Travel,” J. Manaj. Inform. dan Sist. Inf., vol. 2, no. 2, p. 61, 2019, doi: 10.36595/misi.v2i2.105.
V. Arinal and E. Sentosa, “Klasifikasi Tingkat Kesejahteraan RW 006 Kelurahan Kalideres Jakarta Barat dengan Metode K-Nearest Neighbor,” J. Pendidik. dan Konseling, vol. 4, no. 4, pp. 5621–5638, 2022, doi: 10.31004/jpdk.v4i4.6372.
D. T. Wilujeng, M. Fatekurohman, and I. M. Tirta, “Analisis Risiko Kredit Perbankan Menggunakan Algoritma K-Nearest Neighbor dan Nearest Weighted K-Nearest Neighbor,” Indones. J. Appl. Stat., vol. 5, no. 2, p. 142, 2023, doi: 10.13057/ijas.v5i2.58426.
Suwarno and A. Abdillah, “Penerapan Algoritma Bayesian Regularization Backpropagartion Untuk Memprediksi Penyakit Diabetes,” J. MIPA, vol. 39, no. 2, pp. 150–158, 2016.
Downloads
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
