Ketidakseimbangan data merupakan salah satu permasalahan dalam

klasifikasi yang menyebabkan model cenderung mengabaikan kelas minoritas.

Kondisi ini umum terjadi pada data kesehatan yang memuat distribusi kelas

yang tidak proporsional, seperti pada data penderita diabetes. Jika dilakukan

klasifikasi pada data tersebut berpotensi menurunkan kemampuan model

dalam menghasilkan prediksi yang optimal. Oleh karena itu, diperlukan

metode penanganan ketidakseimbangan data yang sesuai, khususnya untuk

karakteristik data dengan kombinasi variabel kategorik dan numerik.

Penelitian ini bertujuan mengaplikasikan metode SMOTE-NC untuk mengatasi

ketidakseimbangan data campuran, serta menganalisis kinerjanya pada

klasifikasi dengan algoritma SVM menggunakan tiga jenis kernel (linear,

polynomial, RBF) dengan variasi parameter cost (C) dan gamma (γ). Metode

penelitian menggunakan data sekunder Survei Kesehatan Indonesia (SKI)

2023 dengan prosedur meliputi preprocessing data, pembagian data,

penyeimbangan data latih menggunakan SMOTE-NC, serta pengujian model

SVM melalui manual tuning parameter. Hasil penelitian menunjukkan sebelum

penyeimbangan, model SVM sama sekali tidak mampu mendeteksi kelas

minoritas. Setelah penerapan SMOTE-NC, kinerja model meningkat signifikan

dalam mendeteksi kelas minoritas, dengan kernel linear (C = 1) dan kernel

RBF (C = 0.1; γ = 0.1) sebagai model terbaik. Kesimpulannya, integrasi

SMOTE-NC meningkatkan kinerja model SVM dalam mendekteksi kelas

minoritas, meskipun masih terdapat kelemahan pada nilai precision akibat

tingginya false positive.