Hybrid Hyperparameter Optimization Genetic Algorithm dan SVM Untuk Klasifikasi Penyakit Liver
DOI:
https://doi.org/10.33633/joins.v11i2.17703Kata Kunci:
penyakit liver, support vector machine, genetic algorithm, optimasi, hyperparameterAbstrak
Penyakit liver (hati) merupakan salah satu penyebab utama kematian di Indonesia sehingga deteksi dini menjadi langkah penting untuk mengurangi risiko komplikasi dan meningkatkan peluang keberhasilan penanganan. Perkembangan teknologi Machine Learning memungkinkan proses klasifikasi penyakit dilakukan secara otomatis berdasarkan data klinis pasien. Salah satu algoritma yang banyak digunakan adalah Support Vector Machine (SVM), namun performanya dipengaruhi oleh pemilihan hyperparameter serta permasalahan ketidakseimbangan data. Dataset yang digunakan adalah Indian Liver Patient Dataset (ILPD) yang terdiri atas 583 data, kemudian dilakukan proses data preprocessing berupa data selection, data cleaning, data transformation, dan standarisasi sehingga diperoleh 570 data setelah penghapusan data duplikat. Evaluasi model dilakukan menggunakan 10-Fold Cross Validation dengan metrik accuracy, precision, recall, dan f1-score. Penelitian membandingkan dua skenario pemodelan, yaitu SVM, serta SVM + GA. Hasil penelitian menunjukkan bahwa model SVM + GA memberikan performa terbaik dengan nilai accuracy sebesar 70,88%, precision sebesar 72,14%, recall sebesar 96,31%, dan f1-score sebesar 82,49%. Hasil tersebut menunjukkan bahwa optimasi hyperparameter menggunakan Genetic Algorithm memberikan peningkatan performa klasifikasi yang lebih baik dibandingkan penerapan pada model SVM tanpa optimasi atau hyperparameter dengan dataset ILPD.Referensi
F. L. D. Cahyanti, F. Sarasati, W. Astuti, dan E. Firasari, “Klasifikasi Data Mining Dengan Algoritma Machine Larning Untuk Prediksi Penyakit Liver,” Technol. J. Ilm., vol. 14, no. 2, hal. 134, 2023, doi: 10.31602/tji.v14i2.10093.
A. B. Hikmah, “Optimasi Hyperparameter Ensemble Learning untuk Prediksi Penyakit Liver Berdasarkan Data Pasien,” J. Sist. Komput. dan Kecerdasan Buatan, vol. 8, no. 3, hal. 149–158, 2025, doi: 10.47970/siskom-kb.v8i3.798.
W. N. Rohman dan I. M. A. Agastya, “Evaluation of SMOTE Technique in the Comparison of XGBoost and Random Forest Algorithms for Liver Disease Prediction,” J. Appl. Informatics Comput., vol. 9, no. 6, 2025, doi: 10.30871/jaic.v9i6.10239.
M. Vetter et al., “Artificial Intelligence For The Classification Of Focal Liver Lesions In Ultrasound – A Systematic Review,” Eur. J. Ultrasound, vol. 44, no. 44, hal. 395–407, 2023, doi: 10.1055/a-2066-9372.
K. Ofosu-ampong, “Telematics and Informatics Reports Artificial intelligence research : A review on dominant themes, methods, frameworks and future research directions,” Telemat. Informatics Reports, vol. 14, no. March, hal. 100127, 2024, doi: 10.1016/j.teler.2024.100127.
M. Faid, A. Supri, dan M. Sukron, “Implementasi Data Mining C4.5, Linear Regresi Dan Kmeans Dengan Menggunakan Framework Django Python,” JUSTIFY, vol. 2, no. 1, hal. 81–88, 2023, doi: 10.35316/justify.v2i1.3309.
Y. A. Suwitono dan F. J. Kaunang, “Implementasi Algoritma Convolutional Neural Network ( CNN ) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras,” J. Komtika (Komputasi dan Inform., vol. 6, no. 2, hal. 109–121, 2022, doi: 10.31603/komtika.v6i2.8054.
M. Nurkholifah dan Y. Umar, “Analisa Performa Algoritma Machine Learning Dalam Prediksi Penyakit Liver,” J. Indones. Manaj. Inform. dan Komun., vol. 4, no. 1, hal. 164–172, 2023, doi: 10.35870/jimik.v4i1.149.
N. Kencana, V. R. Yr, I. P. Eka, dan I. K. G. Sukarsa, “Klasifikasi Penyakit Sirosis Menggunakan Support Vector Machine,” E-Jurnal Mat., vol. 12, no. 2, hal. 87–91, 2023, doi: 10.24843/MTK.2023.v12.i02.p404.
D. N. Herisnan, E. Dadynata, dan L. Efrizoni, “Komparasi Algoritma Decision Tree , SVM , Naive Bayes Dalam Prediksi Penyakit Liver,” JSR, vol. 8, no. 1, hal. 104–109, 2024, doi: 10.58486/jsr.v8i1.387.
M. Abidin, M. Munzir, A. Imantoyo, N. Waidha, dan B. Grendis, “Classification of Heart ( Cardiovascular ) Disease using the SVM Method,” Indones. J. Mod. Sci. Technol. Mod., vol. 1, no. 1, hal. 9–15, 2025, doi: 10.64021/ijmst.1.1.9-15.2025.
A. Desiani, D. A. Zayanti, I. Ramayanti, dan F. F. Ramadhan, “Perbandingan Algoritma Support Vector Machine (Svm) Dan Logistic Regression Dalam Klasifikasi Kanker Payudara,” J. Kecerdasan Buatan dan Teknol. Inf., vol. 4, no. 1, hal. 33–42, 2025, doi: 10.69916/jkbti.v4i1.191.
I. Ozcan, H. Aydin, dan A. Cetinkaya, “Comparison of Classification Success Rates of Different Machine Learning Algorithms in the Diagnosis of Breast Cancer,” Asian Pacific J. Cancer Prev., vol. 23, no. 10, hal. 3287–3297, 2022, doi: 10.31557/APJCP.2022.23.10.3287.
H. S. Wafa, A. I. Hadiana, dan F. R. Umbara, “Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine ( SVM ),” Index (Informatics Digit. Expert., vol. 4, no. 1, hal. 40–45, 2022, doi: 10.36423/index.v4i1.895.
R. A. Saputra, “Analisis Sentimen Review Skincare Skintific Dengan Algoritma Support Vector Machine,” JITET, vol. 12, no. 2, hal. 994–1002, 2024, doi: 10.23960/jitet.v12i2.4095.
P. M. Gote, P. Kumar, H. Kumar, dan P. Verma, “Integrating Machine Learning Algorithms : A Hybrid Model for Lung Cancer Outcome Improvement,” Appl. Sci., vol. 15, no. 9, hal. 1–18, 2025, doi: 10.3390/app15094637.
E. Prayitno et al., “Implementasi Data Mining dan Machine Learning untuk Segmentasi Pelanggan: Pendekatan Hybrid Menggunakan Big Data,” J. Ilm. FIFO, vol. 17, no. 1, hal. 57–62, 2025, doi: 10.22441/fifo.2025.v17i1.007.
A. R. Arifa, N. Suarna, A. Bahtiar, N. Rahaningsih, dan W. Prihartono, “Model Machine Learning Untuk Prediksi Risiko Penyakit Liver Dengan Random Forest Teroptimasi,” J. Sist. Inf. DAN Teknol. ( S I N T E K ), vol. 6, no. 1, hal. 39–45, 2026, doi: 10.56995/sintek.v6i1.204.
S. H. Murad, N. Bahjat, N. H. Mahmood, dan L. Arman, “MethodsX Hybrid genetic algorithms-driven optimization of machine learning models for heart disease prediction,” MethodsX, vol. 15, no. March, hal. 1–10, 2025, doi: 10.1016/j.mex.2025.103510.
L. Luaha, F. Fahmi, dan M. Zarlis, “Performance Analysis of Support Vector Machine ( SVM ) Model through Parameter Optimization with Genetic Algorithm ( GA ) in Chronic Kidney Disease Classification,” Int. Conf. Electr. Telecommun. Comput. Eng., vol. 31, no. 24, hal. 243–247, 2024, doi: 10.1109/ELTICOM64085.2024.10864385.
F. Novianti dan N. Ulinnuha, “Feature Selection Using Genetic Algorithm In PCOS Medical Record Data Classification Using SVM,” NERO, vol. 9, no. 1, hal. 9–19, 2024, doi: 10.21107/nero.v9i1.25399.
Q. I. Awalin, I. H. Agustin, A. F. Hadi, dan R. Sunder, “Optimizing Data Classification in Support Vector Machines Using Metaheuristic Algorithms,” CAUCHY J. Mat. Murni dan Apl., vol. 9, no. 2, hal. 320–328, 2024, doi: 10.18860/ca.v9i2.29320.
K. Maharana, S. Mondal, dan B. Nemade, “A review : Data pre-processing and data augmentation techniques,” Glob. Transitions Proc., vol. 3, no. April, hal. 91–99, 2022, doi: 10.1016/j.gltp.2022.04.020.
A. R. Raharja, A. Pramudianto, dan Y. Muchsam, “Penerapan Algoritma Decision Tree dalam Klasifikasi Data ‘ Framingham ’ Untuk Menunjukkan Risiko Seseorang Terkena Penyakit Jantung dalam 10 Tahun Mendatang,” Technol, vol. 6, no. 1, hal. 1–9, 2024.
V. Piccialli dan M. Sciandrone, “Nonlinear optimization and support vector machines,” Ann. Oper. Res., vol. 314, no. 3, hal. 15–47, 2022, doi: 10.1007/s10479-022-04655-x.
I. P. Dedy, W. Darmawan, G. A. Pradnyana, I. Bagus, dan N. Pascima, “Optimasi Parameter Support Vector Machine Dengan Algoritma Genetika Untuk Analisis Sentimen Pada Media Sosial Instagram,” SINTECH J., vol. 6, no. 1, hal. 58–67, 2023, doi: 10.31598/sintechjournal.v6i1.1245.
M. Ridwan dan E. Utami, “Optimized Hyperparameter Tuning for Improved Hate Speech Detection,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 8, no. 4, hal. 525–534, 2026, doi: 10.29207/resti.v8i4.5949.
D. I. Rabbil, T. A. Y. Siswa, dan J. Pranoto, “Model Hybrid PSO , Correlation Feature Selection Dan KNN Untuk Deteksi Penyakit Jantung Hybrid PSO , Correlation Feature Selection , and KNN Model for Heart Disease Detection,” JIKO, vol. 10, no. 2, hal. 262–272, 2026, doi: 10.26798/jiko.v10i2.2662.
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 JOINS (Journal of Information System)

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Penulis yang menerbitkan artikel di JOINS (Journal of Information System) menyetujui ketentuan berikut:
- Penulis tetap memegang hak cipta dan memberikan hak publikasi pertama kepada JOINS. Karya ini sekaligus dilisensikan di bawah Lisensi Creative Commons Atribusi 4.0 Internasional (CC BY 4.0), yang memungkinkan pihak lain membagikan dan mengadaptasi karya dengan mencantumkan kredit yang layak kepada penulis dan publikasi awal di jurnal ini, menyertakan tautan lisensi, serta menyatakan jika ada perubahan.
- Penulis dapat membuat perjanjian tambahan terpisah untuk distribusi nonekslusif versi terbitan karya ini (misalnya mengunggahnya ke repositori institusi atau menerbitkannya dalam buku), dengan mencantumkan bahwa karya tersebut pertama kali terbit di JOINS.
- Penulis menjamin bahwa naskah ini asli, belum pernah dipublikasikan di tempat lain, tidak sedang ditinjau oleh jurnal lain, dan tidak melanggar hak pihak ketiga. Materi dari sumber lain harus dikutip dengan benar, dan izin harus diperoleh jika diperlukan.
- Penulis boleh mengunggah preprint naskah, tetapi wajib memberi tahu editor saat submission agar proses double-blind review dapat ditangani dengan semestinya.


















