KLASIFIKASI PENYAKIT ASMA DENGAN MENGGUNAKAN TEACHING LEARNING BASED OPTIMIZATION (TLBO) DAN MACHINE LEARNING

Abstract

Penelitian ini bertujuan mengembangkan model klasifikasi penyakit asma dengan memanfaatkan Teaching Learning Based Optimization (TLBO) sebagai metode seleksi fitur sebelum proses klasifikasi. Dataset diperoleh dari platform Kaggle dan melalui tahapan preprocessing berupa pembersihan data, normalisasi, serta penanganan ketidakseimbangan data dengan tiga pendekatan, yaitu tanpa balancing (original), random undersampling, dan Synthetic Minority Oversampling Technique (SMOTE). Tiga algoritma klasifikasi digunakan, yaitu K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Random Forest (RF), dengan tuning parameter untuk memperoleh hasil optimal. Evaluasi dilakukan menggunakan metrik akurasi, sensitivitas, spesifisitas, presisi, dan f1-score. Hasil pengujian menunjukkan bahwa model SVM dengan kernel RBF, C=10, dan gamma=auto pada skenario SMOTE mencapai performa terbaik dengan akurasi di atas 99%, sensitivitas dan spesifisitas di atas 90%. Temuan ini menunjukkan bahwa kombinasi TLBO dengan algoritma klasifikasi serta strategi balancing data yang tepat mampu meningkatkan performa prediksi penyakit asma secara signifikan.