Muhamad Rois S, Kusrini Kusrini

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

Introduction

Perbandingan kinerja support vector machine dalam klasifikasi obesitas dengan pendekatan kernel linear dan radial basis function. Bandingkan klasifikasi obesitas menggunakan SVM dengan kernel Linear dan RBF. SVM-RBF dengan tuning hyperparameter mencapai akurasi 83%, mengungguli SVM Linear (72%). Peningkatan akurasi prediksi obesitas.

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.

Review

The study "Perbandingan Kinerja Support Vector Machine dalam Klasifikasi Obesitas dengan Pendekatan Kernel Linear dan Radial Basis Function" addresses the critical and growing public health issue of obesity, which is escalating significantly in Indonesia and globally, posing substantial risks for chronic diseases. Recognizing the potential of artificial intelligence in early identification and risk factor analysis, this research aims to evaluate and compare the performance of Support Vector Machine (SVM) algorithms in classifying obesity. Specifically, the authors investigate two distinct kernel approaches: a Linear kernel without hyperparameter tuning and a Radial Basis Function (RBF) kernel with optimized hyperparameters, utilizing a dataset of 1610 records from the University of Sinop available on Kaggle. The methodological approach clearly distinguishes between the two SVM implementations. The first model, employing a Linear kernel, was evaluated without any hyperparameter optimization, yielding an accuracy of 72% on the test data. In contrast, the second model, utilizing an RBF kernel, underwent hyperparameter tuning for C and gamma, which resulted in a notable increase in accuracy to 83%. This direct comparison effectively highlights the significant impact that both the choice of kernel and the diligent application of hyperparameter tuning have on the overall predictive performance of SVM models in a medical classification context. This research provides a valuable demonstration of how machine learning, particularly SVM, can be effectively applied to improve the accuracy and reliability of obesity prediction. The findings compellingly underscore the importance of judicious model selection and optimization strategies in achieving superior results, suggesting that a well-tuned RBF kernel can significantly outperform a simpler, untuned linear approach for this specific task. While the 83% accuracy achieved with the tuned RBF kernel represents a solid improvement, future work could explore ensemble methods, additional feature engineering, or comparisons with other advanced classification algorithms to further enhance predictive power and generalizability. Overall, the study offers practical insights for developing more robust AI-driven tools to combat the rising tide of obesity.

Full Text

Comments

You need to be logged in to post a comment.