ANALISIS SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI DATA MELALUI FUNGSI SPLINE = SUPPORT VECTOR MACHINE ANALYSIS FOR DATA CLASSIFICATION THROUGH SPLINE FUNCTION

Perkembangan teknologi informasi dan komputasi telah memungkinkan pengolahan data berskala besar, termasuk dalam bidang kesehatan. Salah satu teknik yang banyak digunakan adalah klasifikasi dalam Machine Learning (ML), di mana Support Vector Machine (SVM) merupakan metode yang efektif untuk menangani masalah klasifikasi. Namun, ketika hubungan antara variabel prediktor dan respons bersifat kompleks dan non-linear, penggunaan kernel pada SVM menjadi kurang optimal. Penelitian ini bertujuan untuk memperoleh model klasifikasi SVM fungsi spline dalam mengklasifikasikan status gizi balita di Kabupaten Gowa tahun 2022 dengan kriteria evaluasi berdasarkan Generalized Cross Validation (GCV) dan akurasi klasifikasi. Penelitian ini mengkaji penerapan fungsi spline model klasifikasi SVM untuk meningkatkan fleksibilitas dalam menangkap pola data. Hasil penelitian ini menunjukkan bahwa model klasifikasi SVM fungsi spline memiliki tingkat akurasi sebesar 90.06% pada data testing dengan tingkat kesalahan prediksi (APER) sebesar 9.94%. Model klasifikasi SVM fungsi spline mampu memprediksi status gizi balita dengan baik, menunjukkan efektivitas pendekatan spline dalam meningkatkan performa klasifikasi SVM. Dengan demikian, model yang dihasilkan dapat diandalkan sebagai alat bantu dalam pemantauan status gizi balita di masa mendatang.