Optimasi Algoritma Support Vector Machine Menggunakan Random Search Pada Sistem Diagnosa Depresi
DOI:
https://doi.org/10.32493/jatimika.v7i2.57643Keywords:
Depresi, Support Vector Machine, Random Search, Optimasi ModelAbstract
Depresi merupakan gangguan mental serius yang ditandai dengan gangguan mood persisten dan menjadi kontributor utama beban disabilitas global. Penelitian ini bertujuan untuk meningkatkan akurasi diagnosa penyakit depresi menggunakan algoritma Support Vector Machine (SVM) yang dioptimalkan dengan teknik Random Search. Dataset yang digunakan diperoleh dari platform Kaggle, dengan fokus pada klasifikasi responden menjadi kategori depresi atau tidak depresi. Metodologi yang diterapkan melibatkan pembersihan data, exploratory data analysis (EDA), feature engineering, pembagian data, serta pengujian model dengan dan tanpa optimasi Random Search. Hasil penelitian menunjukkan bahwa model SVM standar menghasilkan akurasi sebesar 95,70% dengan F1-Score 95,72%, sedangkan setelah dilakukan optimasi menggunakan Random Search, performa model meningkat menjadi akurasi 97,85% dengan F1-Score 97,86% serta AUC sebesar 99,66%. Model yang dioptimalkan terbukti memberikan hasil evaluasi yang lebih baik dibandingkan dengan model SVM standar (default). Penelitian ini memberikan kontribusi terhadap peningkatan deteksi dini gejala depresi dan menunjukkan bahwa penggabungan teknik machine learning dengan optimasi hiperparameter mampu menghasilkan model prediksi yang lebih akurat, stabil, dan andal
References
Benedikt, L., Joshi, C., Nolan, L., De Wolf, N., & Schouten, B. (2020). Optical Character Recognition and Machine Learning Classification of Shopping Receipts. Abdussamad, S. N., Doholio, N. P., Lasaleng, W. P., Usia, P. A. I. N., Rahman, M. I., & Adam, D. P. J. 2025. Klasifikasi Tingkat Depresi Mahasiswa Menggunakan Image Recognition dengan Support Vector Machine. Research in the Mathematical and Natural Sciences, 4(1), 30–36.
Abimanyu, S., Bahtiar, N., & Sarwoko, E. A. 2023. Implementasi Metode Support Vector Machine (SVM) dan t-Distributed Stochastic Neighbor Embedding (t-SNE) untuk Klasifikasi Depresi. Jurnal Masyarakat Informatika, 14(2), 146–158.
Aleem, S., Huda, N., Amin, R., Khalid, S., Alshamrani, S. S., & Alshehri, A. 2022. Machine Learning Algorithms for Depression: Diagnosis, Insights, and Research Directions. Electronics, 11(7), 1111.
Aziz, F., & Abasa, S. 2025. Pengembangan dan Validasi Model Hybrid Machine Learning untuk Diagnosis Awal Depresi. Journal Pharmacy and Application of Computer Sciences, 3(1), 8–15.
Aziz, F., Ishak, P., & Abasa, S. 2024. Klasifikasi Depresi Menggunakan Support Vector Machine: Pendekatan Berbasis Data Text Mining. Journal Pharmacy and Application of Computer Sciences, 2(2), 33–38.
Chen, E., & Asta, M. 2022. Using Jupyter Tools to Design an Interactive Textbook to Guide Undergraduate Research in Materials Informatics. Journal of Chemical Education, 99(10), 3601–3606.
Dharmawan, W. S. 2021. Komparasi Algoritma Klasifikasi SVM-PSO dan C4.5-PSO dalam Prediksi Penyakit Jantung. Jurnal Informatika, Manajemen dan Komputer, 13(2), 31–41.
Garg, K., Thoma, A., Avramovic, G., Gilbert, L., Shawky, M., Ray, M. R., & Lambert, J. S. 2024. Biomarker-Based Analysis of Pain in Patients with Tick-Borne Infections before and after Antibiotic Treatment. Antibiotics, 13(8), 693.
Hahn, A. W., Zsombor-Pindera, J., Kennepohl, P., & DeBeer, S. 2024. Introducing SpectraFit: An Open-Source Tool for Interactive Spectral Analysis. ACS Omega, 9(22), 23252–23265.
Haque, U. M., Kabir, E., & Khanam, R. 2021. Detection of child depression using machine learning methods. PLoS ONE, 16(12), e0261131.
Harahap, H. S., Indrayana, Y., Putra, H. S., & Retnowati, I. 2021. Deteksi Dini dan Edukasi Pentingnya Penatalaksanaan Depresi dan Faktor-Faktor Risikonya pada Pasien Stroke Iskemik di RSUD Provinsi Nusa Tenggara Barat. Jurnal Pengabdian Masyarakat Sains Indonesia, 3(1).
Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D.,... & Oliphant, T. E. 2020. Array programming with NumPy. Nature, 585(7825), 357–362.
Indrika, S. N., & Chris, A. 2022. Hubungan tingkat depresi dengan kekuatan genggaman tangan pada mahasiswa fakultas kedokteran universitas tarumanagara. Ebers Papyrus, 28(1), 74–82.
Ismail, A., Eid, A., Mjlae, S. A., Yaseen, S., Ali, M., & Rababah, I. 2025. Comparative Analysis of Machine Learning Libraries for Neural Networks: A Benchmarking Study. bioRxiv, 2025.02.02.635632.
Ismiralda, J. F., Hayati, L. N., & Umar, F. 2022. Sistem Pakar Penentuan Tingkat Depresi Pada Ibu Hamil Menggunakan Certainty Factor Berbasis Web. Buletin Sistem Informasi dan Teknologi Islam, 3(4), 332–340.
Khoong, W. H. 2020. DEBoost: A Python Library for Weighted Distance Ensembling in Machine Learning. Preprints, 2020050354.
Lavanya, A., Sindhuja, S., Gaurav, L., & Ali, W. 2023. A Comprehensive Review of Data Visualization Tools: Features, Strengths, and Weaknesses. International Journal of Computer Engineering in Research Trends, 10(1), 10–20.
Lee, Y. E., & Biromo, A. R. 2024. Depresi dan kerentanan lansia di panti wreda wilayah Jabodetabek. Tarumanagara Medical Journal, 6(1), 30813.
Linge, S., & Langtangen, H. P. 2020. Programming for Computations - Python: A Gentle Introduction to Numerical Simulations with Python 3.6. Cham: Springer Nature.
Mantovani, R. G., Rossi, A. L. D., Vanschoren, J., Bischl, B., & De Carvalho, A. C. P. L. F. 2015. Effectiveness of Random Search in SVM hyper-parameter tuning. Proceedings of the 2015 International Joint Conference on Neural Networks (IJCNN), 1–8.
Martins, S. G. 2022. Car Race - An Engaging Interdisciplinary Python Based Project Activity. Journal of Engineering Education Transformations, 35(3), 45–51.
Mehdizadeh, S. A., Noshad, M., Chaharlangi, M., & Ampatzidis, Y. 2023. Development of an Innovative Optoelectronic Nose for Detecting Adulteration in Quince Seed Oil. Foods, 12(23), 4350.
Nwulu, N. I., Damisa, U., & Gbadamosi, S. L. 2021. Students Perception about the Use of Jupyter Notebook in Power Systems Education. International Journal of Engineering Pedagogy, 11(1), 78–86.
Pablo, F., Lopez, A., Privada, U., & Privada, U. 2022. A Low-Cost Inclinometer with Data Acquisition Library Developed in Phyton, for In-Situ Displacement Measurements. Proceedings of the COBRAE 2022.
Pakan, R., & Mailoa, E. 2024. Komparasi Kinerja Algoritma Mechine Learning Untuk Mengklasifikasi Penyakit Kanker Payudara. Progresif: Jurnal Ilmiah Komputer, 20(1), 493–503.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O.,... & Duchesnay, E. 2011. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Rahayu, K., Fitria, V., Septhya, D., Rahmaddeni, R., & Efrizoni, L. 2023. Klasifikasi Teks untuk Mendeteksi Depresi dan Kecemasan pada Pengguna Twitter Berbasis Machine Learning. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(2), 108–114.
Ramadhan, A. G. 2023. Data Mining untuk Segmentasi Pelanggan dengan Algoritma K-Means: Studi Kasus pada Data Pelanggan di Toko Retail. Syntax Literate: Jurnal Ilmiah Indonesia, 8(10), 5698–5715.
Rifatama, M. I., Faisal, M. R., Herteno, R., Budiman, I., & Mazdadi, M. I. 2023. Optimasi Algoritma K-Nearest Neighbor Dengan Seleksi Fitur Menggunakan Xgboost. Jurnal Informatika Dan Rekayasa Elektronik, 6(1), 64–72.
Rizty, L. E., & Kusumiati, R. Y. E. 2020. Hubungan Dukungan Sosial (Suami) dengan Kecenderungan Depresi Postpartum. Jurnal Ilmiah Bimbingan Konseling Undiksha, 11(2), 112–118.
Santoso, M. B., Asiah, D. H. S., & Kirana, C. I. 2018. Bunuh Diri Dan Depresi Dalam Perspektif Pekerjaan Sosial. Prosiding Penelitian Dan Pengabdian Kepada Masyarakat, 4(3), 390.
Sharma, A., & Verbeke, W. J. M. I. 2020. Improving Diagnosis of Depression With XGBOOST Machine Learning Model and a Large Biomarkers Dutch Dataset. Frontiers in Big Data, 3, 15.
Sulistyorini, W., & Sabarisman, M. 2017. Depresi: Suatu Tinjauan Psikologis. Sosio Informa, 3(2), 153–164.
Talaei Khoei, T., & Kaabouch, N. 2023. Machine Learning: Models, Challenges, and Research Directions. Future Internet, 15(10), 332.
Waskom, M. L. 2021. seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021.
WHO. 2023. Depressive disorder (depression). Diakses dari https://www.who.int/news-room/fact-sheets/detail/depression
Wu, W. T., Li, Y. J., Feng, A. Z., Li, L., Huang, T., Xu, A. D., & Lyu, J. 2021. Data mining in clinical big data: the frequently used databases, steps, and methodological models. Military Medical Research, 8(1), 44.
Wulandari, A. 2020. Aplikasi Support Vector Machine (SVM) untuk Pencarian Binding Site Protein-Ligan. Mathunesa: Jurnal Ilmiah Matematika, 8(2), 157–161.
