Evaluasi Kinerja Kernel Linear, RBF, dan Polynomial pada Model Support Vector Machine untuk Prediksi Risiko Hipertensi

Saifuddin Saifuddin; Lukman Azhari; Erni Widarti; Wartono Wartono

doi:10.22441/fifo.2025.v17i2.008

Authors

Saifuddin Saifuddin Universitas Tunas Pembangunan Surakarta, Indonesia
Lukman Azhari Universitas Muhammadiyah Tangerang, Indonesia
Erni Widarti Universitas Tunas Pembangunan Surakarta, Indonesia
Wartono Wartono Universitas Tunas Pembangunan Surakarta, Indonesia

DOI:

https://doi.org/10.22441/fifo.2025.v17i2.008

Keywords:

Hipertensi, Klasifikasi, Kernel SVM, Prediksi Risiko, Support Vector Machine

Abstract

Hipertensi adalah penyakit tidak menular dengan angka kematian tinggi dan sering disebut “silent killer” karena gejalanya kerap tidak terlihat pada awalnya. Deteksi dini diperlukan untuk mencegah komplikasi seperti penyakit jantung dan stroke. Penelitian ini bertujuan mengevaluasi kinerja tiga kernel pada algoritma Support Vector Machine (SVM): Linear, Radial Basis Function (RBF), dan Polynomial. Ketiga kernel tersebut dipilih untuk mewakili karakteristik pemetaan data yang berbeda: kernel linear berguna untuk memisahkan data secara linier, kernel RBF dapat menangani pola nonlinier yang kompleks, dan kernel polynomial untuk memodelkan interaksi antar fitur dengan tingkat kedalaman tertentu. Dataset berasal dari Kaggle dan mencakup 4.240 entri dengan 12 fitur prediktor yang merepresentasikan kondisi klinis dan perilaku pasien. Hasil eksperimen menunjukkan bahwa SVM-Linear mencapai accuracy 87,26% dengan ROC-AUC 0,9518; SVM-RBF memperoleh accuracy 87,38% dengan ROC-AUC 0,9450; dan SVM-Polynomial menghasilkan accuracy 86,56% dengan ROC-AUC 0,9422. SVM-Linear merupakan model paling optimal berdasarkan kombinasi F1-score dan ROC-AUC karena memberikan keseimbangan terbaik antara ketepatan dan sensitivitas. Sementara itu, meskipun SVM-RBF mencatat accuracy tertinggi, peningkatannya tidak konsisten pada metrik lain, dan SVM-Polynomial menunjukkan performa sedikit lebih rendah karena kompleksitas model yang kurang sesuai dengan karakteristik data. Penelitian ini berkontribusi dengan memberikan analisis komparatif terkait performa berbagai kernel SVM dalam klasifikasi risiko hipertensi.

Downloads

Download data is not yet available.

References

F. Husaini and T. R. Fonna, “Hipertensi dan Komplikasi Yang Menyertai Hipertensi,” J. Med. Nusant., vol. 2, no. 3, pp. 1–13, 2024.

P. A. Jamaica, A. Y. Rindarwati, D. P. Destiani, and L. Salsabila, “Skrining dan Edukasi Sebagai Upaya Pengendalian Hipertensi Putri,” BATIK J. Pengemb. dan Pengabdi. Masy. Multikultural, vol. 2, no. 3, pp. 104–110, 2024.

N. Fatimah and H. Hermawati, “Gambaran Upaya Pengendalian Pada Penderita Hipertensi di Puskesmas Tasikmadu,” IJOH Indones. J. Public Heal., vol. 2, no. 1, pp. 121–132, 2024.

M. Nur, R. Pahlevi, and T. Badriyah, “Implementasi dan Optimasi Hyperparameter pada Model Machine learning untuk Prediksi Diabetes dengan Integrasi Aplikasi Telemedicine,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 11, no. 2, pp. 287–296, 2025.

M. F. R. Mahendra and N. L. A. dan Sumarno, “Implementasi Machine Learning Untuk Memprediksi Cuaca Menggunakan Support Vector Machine,” J. Ilm. KOMPUTASI, vol. 23, no. 1, pp. 45–50, 2024.

T. F. Ramadhan, A. Asrianda, and R. Risawandi, “Penerapan Metode Algoritma SVM (Support Vector Machine) Untuk Klasifikasi Penderita Penyakit Gastroesophageal Reflux Disease,” RABIT J. Teknol. dan Sist. Inf. Univrab, vol. 10, no. 2, pp. 1212–1219, 2025.

H. S. Wafa, A. I. Hadiana, and F. R. Umbara, “Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM),” Informatics Digit. Expert, vol. 4, no. 1, pp. 40–45, 2022.

L. N. Farida and S. Bahri, “Klasifikasi Gagal Jantung Menggunakan Metode SVM (Support Vector Machine),” Komputika J. Sist. Komput., vol. 13, no. 2, pp. 149–156, 2025, doi: 10.34010/komputika.v13i2.11330.

A. G. Sooai, P. A. Nani, N. M. R. Mamulak, C. O. Sianturi, S. C. Sianturi, and A. H. Mondolang, “Klasifikasi Citra Daun Anggur Menggunakan SVM Kernel Linear,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 7, no. 1, pp. 19–26, 2022, doi: 10.31328/jointecs.v8i1.4496.

E. R. M. Sholihah, I. G. S. M. Diyasa, and E. Y. Puspaningrum, “Perbandingan Kinerja Kernel Linear dan RBF Support Vector Machine Untuk Analisis Sentimen Ulasan Pengguna KAI Access Pada Google Play Store,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 728–733, 2024.

I. Putri, F. Fadlisyah, and A. Razi, “Implementasi Metode SVM RBF (Radial Basis Function) Kernel Untuk Klasifikasi Status Gizi Pada Balita,” J. Teknol. Terap. Sains 4.0, vol. 5, no. 2, pp. 43–56, 2024.

M. R. Pradana, W. Witanti, and A. Komarudin, “Prediksi Tingkat Keparahan Diabetes Melitus Menggunakan Support Vector Machine (SVM) dengan Kernel Polinomial dan RBF,” J. LOCUS Penelit. Pengabdi., vol. 4, no. 8, pp. 7521–7533, 2025.

A. F. Rochim, K. Widyaningrum, and D. Eridani, “Performance Comparison of Support Vector Machine Kernel Functions in Classifying COVID-19 Sentiment,” in 4th International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), IEEE, 2021, pp. 224–228. doi: 10.1109/ISRITI54043.2021.9702845.

R. Khan, “Hypertension Risk Model,” Kaggle. [Online]. Available: https://www.kaggle.com/datasets/khan1803115/hypertension-risk-model-main

R. I. Borman and M. Wati, “Penerapan Data Maining Dalam Klasifikasi Data Anggota Kopdit Sejahtera Bandarlampung Dengan Algoritma Naïve Bayes,” J. Ilm. Fak. Ilmu Komput., vol. 9, no. 1, pp. 25–34, 2020.

A. Syukron, “Penerapan Metode SMOTE Untuk Mengatasi Ketidakseimbangan Kelas Pada Prediksi Gagal Jantung,” J. Teknol. Inf. dan Terap., vol. 10, no. 1, pp. 47–50, 2023, doi: 10.25047/jtit.v10i1.313.

R. Hoque, M. Billah, A. Debnath, S. M. S. Hossain, and N. Bin Sharif, “Heart Disease Prediction using SVM,” Int. J. Sci. Res. Arch., vol. 11, no. 2, pp. 412–420, 2024, doi: 10.30574/ijsra.2024.11.2.0435.

D. S. Pamungkas and L. Sihombing, “Penggunaan Kernel SVM untuk Klasifikasi Pergerakan Jari Mengunakan Sinyal EMG,” J. Elem., vol. 7, no. 2, pp. 1–6, 2021.

A. Zeputra and F. Utaminingrum, “Perbandingan Akurasi untuk Deteksi Pintu berbasis HOG dengan Klasifikasi SVM menggunakan Kernel Linear, Radial Basis Function dan Polinomial pada Raspberry Pi,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 11, pp. 4746–4757, 2021.

S. D. Wahyuni and R. H. Kusumodestoni, “Optimalisasi Algoritma Support Vector Machine (SVM) Dalam Klasifikasi Kejadian Data Stunting,” Bull. Inf. Technol., vol. 5, no. 2, pp. 56–64, 2024, doi: 10.47065/bit.v5i2.1247.

Z. Arifin, D. F. Rahman, B. S. Rintyarna, and D. Daryanto, “Penerapan Algoritma Support Vector Machine Berbasis Kernel Radial Basis Function dalam Klasifikasi Sel Kanker,” BIOS J. Teknol. Inf. dan Rekayasa Komput., vol. 4, no. 2, pp. 100–106, 2023.

R. Mukarramah, D. Atmajaya, and L. Budi, “Performance comparison of support vector machine (SVM) with linear kernel and polynomial kernel for multiclass sentiment analysis on twitter,” Ilk. J. Ilm., vol. 13, no. 2, pp. 168–174, 2021.

M. Mardewi and N. Yarkuran, “Klasifikasi Kategori Obat Menggunakan Algoritma Support Vector Machine,” J. Pharm. anf Appl. Comput. Sci., vol. 1, no. 1, pp. 27–32, 2023.

D. T. Murdiansyah, “Prediksi Stroke Menggunakan Extreme Gradient Boosting,” JIKO (Jurnal Inform. dan Komputer), vol. 8, no. 2, p. 419, 2024, doi: 10.26798/jiko.v8i2.1295.