Perbandingan Kinerja Support Vector Machine dalam Klasifikasi Obesitas dengan Pendekatan Kernel Linear dan Radial Basis Function

Abstract

Obesitas adalah kondisi medis yang ditandai dengan penumpukan lemak tubuh yang berlebihan hingga dapat menimbulkan risiko berbagai penyakit kronis, seperti diabetes, penyakit jantung, dan kanker. Di Indonesia, dalam kurun waktu 10 tahun terjadi peningkatan obesitas yang signifikan, dari 10,5% pada tahun 2007 menjadi 21,8% pada tahun 2018. Secara global, pada tahun 2030 diperkirakan 1 dari 5 wanita dan 1 dari 7 pria akan hidup dengan obesitas, yang setara dengan lebih dari 1 miliar orang di seluruh dunia. Untuk mengatasi permasalahan ini, teknologi kecerdasan buatan digunakan dalam prediksi obesitas guna mengidentifikasi faktor risiko secara lebih akurat. Penelitian ini membandingkan performa klasifikasi obesitas menggunakan algoritma Support Vector Machine (SVM) dengan dua pendekatan berbeda: SVM dengan kernel Linear tanpa hyperparameter tuning dan SVM dengan kernel Radial Basis Function (RBF) dengan hyperparameter tuning. Dataset yang digunakan bersumber dari Universitas Sinop yang tersedia di Kaggle, dengan total 1610 data. Hasil eksperimen menunjukkan bahwa model SVM Linear tanpa hyperparameter tuning memiliki akurasi 72% pada data uji, sedangkan model SVM-RBF dengan hyperparameter tuning C dan gamma mencapai akurasi 83%. Perbedaan performa ini menunjukkan bahwa pemilihan kernel dan penerapan hyperparameter tuning dapat meningkatkan akurasi serta keandalan prediksi obesitas.