Optimasi metode Support Vector Machine (SVM) menggunakan seleksi fitur Recursive Feature Elimination (RFE) untuk klasifikasi gejala monkeypox

Ketika dunia hampir pulih dari kekacauan pandemi COVID-19, World Health Organization (WHO) mengumumkan adanya deteksi penyakit baru yang berpotensi epidemi bernama Monkeypox. Monkeypox adalah penyakit zoonotik menular yang dapat menyebar melalui kontak langsung antar individu. Deteksi dini terhadap gejala monkeypox sangat penting untuk mencegah penyebaran lebih luas, namun metode diagnosis konvensional sering terkendala keterbatasan alat dan waktu. Penelitian ini bertujuan mengintegrasikan metode Recursive Feature Elimination (RFE) ke dalam model Support Vector Machine (SVM) untuk klasifikasi gejala monkeypox. Data pada penelitian ini diperoleh dari dataset Monkeypox Patients pada Kaggle dengan 9 fitur awal. Hasil penelitian menunjukkan bahwa hanya dengan 8 fitur, SVM-RFE mampu meningkatkan performa klasifikasi dengan akurasi sebesar 77%, sensitivitas 66%, spesifisitas 88%, dan presisi 82%, lebih tinggi dibandingkan SVM tanpa RFE yang akurasinya 75%, sensitivitas 64%, spesifisitas 86%, dan presisi 84%. Hasil ini menunjukkan bahwa seleksi fitur RFE efektif dalam meningkatkan kinerja SVM serta menghasilkan model yang lebih sederhana dan tetap akurat untuk klasifikasi gejala Monkeypox.