(Oleh: Gusti Mas Nur Irfansyah; Pembimbing: Muhammad Itqan Mazdadi, S.Kom, M.Kom. dan Rudy Herteno, S.Kom, M.Kom.; halaman).

Penyakit diabetes merupakan salah satu penyakit kronis yang terus meningkat setiap tahunnya dan membutuhkan penanganan serta deteksi dini untuk meminimalisir komplikasi. Penelitian ini bertujuan untuk membandingkan dua algoritma machine learning, yaitu Support Vector Machine (SVM) dan Naïve Bayes, dalam mendeteksi penyakit diabetes menggunakan dataset Pima Indians Diabetes. Proses preprocessing melibatkan imputasi missing value, balancing data dengan SMOTE, dan normalisasi data menggunakan StandardScaler. Pengujian dilakukan dengan berbagai rasio pembagian data (90:10, 80:20, 75:25, 70:30) serta validasi 10-fold cross validation. Hasil evaluasi menunjukkan bahwa metode SVM dengan kernel RBF memiliki performa terbaik dengan akurasi mencapai 82.25%, diikuti oleh SVM linear dan Naïve Bayes. SVM RBF unggul dalam mengenali pola non-linear dalam data medis, sementara Naïve Bayes tetap menjadi baseline yang stabil meski memiliki keterbatasan dalam asumsi independensi antar fitur. Penelitian ini menunjukkan bahwa pemilihan algoritma yang tepat berpengaruh besar terhadap keberhasilan deteksi dini penyakit diabetes.

Kata Kunci: Diabetes, Support Vector Machine, Naïve Bayes, Machine Learning, Klasifikasi, SMOTE, Cross Validation