Analisis Perbandingan PCA-KNN dan SVM untuk Prediksi Risiko Diabetes

Diabetes merupakan penyakit kronis yang sering terlambat terdiagnosis akibat gejala awal yang tidak spesifik, sehingga deteksi dini penting untuk mencegah komplikasi serius. Penelitian ini bertujuan menganalisis dan membandingkan performa kombinasi Principal Component Analysis dengan K-Nearest Neighbor (PCA-KNN) dan Support Vector Machine (SVM) dalam prediksi risiko diabetes. Dataset yang digunakan berasal dari Kaggle dengan 768 entri dan delapan atribut medis. Tahap praproses mencakup imputasi median untuk nilai nol, normalisasi Z-score, serta reduksi dimensi menggunakan PCA pada model KNN yang menghasilkan lima komponen utama dengan varian kumulatif >80%. Nilai k optimal ditentukan melalui 10-Fold Cross Validation dengan hasil terbaik pada k=16. Hasil evaluasi menunjukkan PCA-KNN mencapai akurasi 76,47%, sensitivitas 90,00%, dan spesifisitas 50,94%, lebih baik dibanding KNN standar. Sementara itu, SVM memperoleh akurasi 72,73% dengan spesifisitas tinggi (84,00%) namun sensitivitas rendah (51,85%). Temuan ini mengindikasikan bahwa PCA-KNN lebih sesuai untuk skrining awal karena sensitivitas tinggi, sedangkan SVM dapat digunakan pada tahap konfirmasi berkat spesifisitas yang lebih baik.