PERBANDINGAN METODE SUPPORT VEKTOR MACHINE, RANDOM FOREST DAN MULTILAYER PERCEPTRON DALAM KLASIFIKASI DIABETES MELLITUS BERDASARKAN DNA

Diabetes Mellitus (DM) merupakan masalah kesehatan global dengan prevalensi
yang terus meningkat. Analisis genetik melalui sekuens DNA dan kemajuan
teknologi bioinformatika memungkinkan penerapan pembelajaran mesin untuk
diagnosis DM yang lebih akurat. Penelitian ini membandingkan tiga metode
klasifikasi, yaitu Support Vector Machine (SVM), Multilayer Perceptron (MLP),
dan Random Forest (RF), dalam mengklasifikasikan penyakit Diabetes Mellitus
(DM) tipe 1 dan tipe 2 berdasarkan data DNA. Hasil penelitian menunjukkan bahwa
RF memiliki performa yang lebih stabil, dengan akurasi tertinggi mencapai 76,83%
pada dimensi 10. Sementara itu, MLP mencatatkan akurasi tertinggi sebesar
76,93% pada dimensi 8, namun mengalami penurunan signifikan pada dimensi
yang lebih tinggi. SVM mencapai akurasi tertinggi 76,08% pada dimensi 8, namun
menunjukkan penurunan drastis pada dimensi tinggi akibat overfitting. Faktor yang
memengaruhi performa antara lain adalah komposisi data dan dimensi fitur, dengan
RF terbukti lebih tahan terhadap perubahan tersebut. Dengan demikian, secara
keseluruhan, RF lebih unggul dalam hal stabilitas dan keandalan dalam
mengklasifikasikan data sekuens DNA, terutama pada dimensi tinggi dan variasi
komposisi data.
Kata kunci: Diabetes Mellitus, Klasifikasi, DNA, Principal Component Analysis,
Support Vector Machine, Multilayer Perceptron, Random Forest.Diabetes Mellitus (DM) merupakan masalah kesehatan global dengan prevalensi
yang terus meningkat. Analisis genetik melalui sekuens DNA dan kemajuan
teknologi bioinformatika memungkinkan penerapan pembelajaran mesin untuk
diagnosis DM yang lebih akurat. Penelitian ini membandingkan tiga metode
klasifikasi, yaitu Support Vector Machine (SVM), Multilayer Perceptron (MLP),
dan Random Forest (RF), dalam mengklasifikasikan penyakit Diabetes Mellitus
(DM) tipe 1 dan tipe 2 berdasarkan data DNA. Hasil penelitian menunjukkan bahwa
RF memiliki performa yang lebih stabil, dengan akurasi tertinggi mencapai 76,83%
pada dimensi 10. Sementara itu, MLP mencatatkan akurasi tertinggi sebesar
76,93% pada dimensi 8, namun mengalami penurunan signifikan pada dimensi
yang lebih tinggi. SVM mencapai akurasi tertinggi 76,08% pada dimensi 8, namun
menunjukkan penurunan drastis pada dimensi tinggi akibat overfitting. Faktor yang
memengaruhi performa antara lain adalah komposisi data dan dimensi fitur, dengan
RF terbukti lebih tahan terhadap perubahan tersebut. Dengan demikian, secara
keseluruhan, RF lebih unggul dalam hal stabilitas dan keandalan dalam
mengklasifikasikan data sekuens DNA, terutama pada dimensi tinggi dan variasi
komposisi data.
Kata kunci: Diabetes Mellitus, Klasifikasi, DNA, Principal Component Analysis,
Support Vector Machine, Multilayer Perceptron, Random Forest.