Perbandingan Kinerja Metode Support Vector Regression dan Metode Regresi Linier Berganda dalam Memprediksi BMI pada Dataset ASTHMA
DOI:
https://doi.org/10.24246/juses.v8i2p133-142Keywords:
Asthma, BMI, MAPE, Regresi linier berganda, Support Vector RegressionAbstract
Body Mass Index (BMI) merupakan metode untuk mengevaluasi apakah seseorang memiliki berat badan ideal, yang berperan penting dalam mengidentifikasi risiko kesehatan seperti penyakit jantung dan diabetes. Dalam penelitian ini, BMI digunakan sebagai variabel prediktor untuk menentukan kemungkinan seseorang menderita asma, yaitu penyakit kronis yang memengaruhi saluran pernapasan. Untuk memprediksi BMI berdasarkan variabel-variabel lain dalam dataset Asthma, penelitian ini membandingkan dua metode regresi, yaitu regresi linier berganda dan Support Vector Regression (SVR). Evaluasi akurasi model dilakukan menggunakan Mean Absolute Percentage Error (MAPE), yang mengukur kesalahan prediksi dalam bentuk persentase, di mana nilai MAPE yang lebih rendah menunjukkan tingkat akurasi prediksi yang lebih baik. Data uji dibagi menjadi empat skenario, yaitu 10%, 20%, 30%, dan 40% dari keseluruhan data. Hasil perhitungan menunjukkan bahwa metode regresi linier berganda menghasilkan nilai MAPE sebesar 15,42%; 15,44%; 15,51%; dan 15,63% secara berturut-turut. Sementara itu, metode SVR menghasilkan nilai MAPE sebesar 15,77%; 15,74%; 15,77%; dan 15,81%. Berdasarkan hasil tersebut, regresi linier berganda terbukti memberikan prediksi yang lebih akurat dibandingkan SVR dalam konteks dataset Asthma. Dengan demikian, regresi linier berganda lebih efektif dalam memodelkan BMI dibandingkan SVR dan dapat menjadi pertimbangan penting dalam pengembangan model prediktif untuk mendukung pengambilan keputusan terkait risiko penyakit pernapasan seperti asma.
Downloads
References
Arumningsih, L. D., & Darsyah, M. Y. (2018). Peramalan Indeks Harga Konsumen Kota Malang Tahun 2014–2016 dengan Menggunakan Metode Moving Average dan Exponential Smoothing Holt-Winter. Prosiding Seminar Nasional …, 1(January 2018), 310–315.
Basri, H. (2018). Pemodelan Regresi Berganda Untuk Data Dalam Studi Kecerdasan Emosional. Didaktika Jurnal Kependidikan, 12(12), 103–116.
Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient ofdetermination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 00(00), 1–24. https://doi.org/10.7717/peerj-cs.623
Delbari, M., Sharifazari, S., & Mohammadi, E. (2019). Modeling daily soil temperature over diverse climate conditions in Iran—a comparison of multiple linear regression and support vector regression techniques. Theoretical and Applied Climatology, 135(3–4), 991–1001. https://doi.org/10.1007/s00704-018-2370-3
Ginting, L. M., Sigiro, M. M., Manurung, E. D., & Sinurat, J. J. P. (2021). Perbandingan Metode Algoritma Support Vector Regression dan Multiple Linear Regression Untuk Memprediksi Stok Obat. Journal of Applied Technology and Informatics Indonesia, 1(2), 29–34. https://doi.org/10.54074/jati.v1i2.36
Hoffman, H., Lee, S. I., Garst, J. H., Lu, D. S., Li, C. H., Nagasawa, D. T., Ghalehsari, N., Jahanforouz, N., Razaghy, M., Ghavamrezaii, A., Paak, B. H., Wu, I., Sarrafzadeh, M., Lu, C., Angeles, L., Angeles, L., Angeles, L., Angeles, L., Angeles, L., … Angeles, L. (2016). Use of Multivariate Linear Regression and Support Vector Regression to Predict Functional Outcome After Surgery for Cervical Spondylotic Myelopathy. 22(9), 1444–1449. https://doi.org/10.1016/j.jocn.2015.04.002.Use
Masruroh, M., & Mauladi, K. F. (2020). Penerapan Metode Regresi Linear Berganda Dalam Sistem Prediksi Nilai Ujian Nasional Siswa Smp. Jurnal Teknika, 12(1), 1. https://doi.org/10.30736/jt.v12i1.393
Mostafa, S. M., & Amano, H. (2019). Effect of clustering data in improving machine learning model accuracy. Journal of Theoretical and Applied Information Technology, 97(21), 2973–2981.
Niu, W. J., Feng, Z. K., Feng, B. F., Min, Y. W., Cheng, C. T., & Zhou, J. Z. (2019). Comparison of multiple linear regression, artificial neural network, extreme learning machine, and support vector machine in deriving operation rule of hydropower reservoir. Water (Switzerland), 11(1). https://doi.org/10.3390/w11010088
Nurfadilah, A., Budi, W., Kurniati, E., Suhaedi, D., Matematika, P. S., Bandung, U. I., & Statistik, B. P. (2022). Penerapan Metode Moving Average untuk Prediksi Indeks Harga Konsumen. … : Jurnal Teori Dan …, 21(1), 19–25.
Obi, J. C. (2020). A Comparative Study of the Multiple Regression and Support Vector Regression. COOU Journal of Physical S Ciences 3(1), 3(1)(May), 465–473.
Prakoso, B. H. (2019). Implementasi Support Vector Regression pada Prediksi Inflasi Indeks Harga Konsumen. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 19(1), 155–162. https://doi.org/10.30812/matrik.v19i1.511
Purnama, D. I. (2020). Peramalan Jumlah Penumpang Datang Melalui Transportasi Udara Di Sulawesi Tengah Menggunakan Support Vector Regression (SVR). Jurnal Ilmiah Matematika Dan Terapan, 17(1). https://doi.org/10.22487/2540766x.2020.v17.i1.15186
Putro, B., Furqon, M. T., & Wijoyo, S. H. (2018). Prediksi Jumlah Kebutuhan Pemakaian Air Menggunakan Metode Exponential Smoothing. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(11), 4679–4686.
Sivana Ihzaniah, L., Setiawan, A., & Wulan Wijaya, R. N. (2023). Perbandingan Kinerja Metode Regresi K-Nearest Neighbor Dan Metode Regresi Linear Berganda Pada Data Boston Housing. JAMBURA Journal Of Probability And Statistics, 4(1), 18–29.
Suryanto, A. A. (2019). Penerapan Metode Mean Absolute Error (Mea) Dalam Algoritma Regresi Linear Untuk Prediksi Produksi Padi. Saintekbu, 11(1), 78–83. https://doi.org/10.32764/saintekbu.v11i1.298
Yang, Q. (2017). Regression (L. Schintler A & C. McNeely L (eds.)). Springer. https://doi.org/10.1007/978-3-319-32001-4
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jurnal Sains dan Edukasi Sains
This work is licensed under a Creative Commons Attribution 4.0 International License.
