ANALISIS ALGORITMA MACHINE LEARNING DENGAN TEKNIK SMOTE UNTUK PENINGKATAN SENSITIVITAS MODEL DETEKSI SINDROM OVARIUM POLIKISTIK (PCOS)

Sindrom Ovarium Polikistik (PCOS) merupakan gangguan endokrin yang memengaruhi sekitar 6–21% wanita usia reproduksi, namun sering sulit dideteksi di tahap awal. Penelitian ini mengembangkan model deteksi PCOS menggunakan teknik pembelajaran mesin dengan Synthetic Minority Oversampling Technique (SMOTE) untuk menangani ketidakseimbangan data antara kelas positif dan negatif. Empat algoritma diuji: Logistic Regression (LR), K-Nearest Neighbors (KNN), Decision Tree (DT), dan Random Forest (RF). Dataset yang digunakan berasal dari Kaggle, yang telah melalui proses pra-pemrosesan seperti pembersihan data, pengkodean, dan pemilihan fitur berdasarkan korelasi. Setelah data diseimbangkan dengan SMOTE, dilakukan standarisasi untuk menyamakan skala antarfitur. Evaluasi dilakukan menggunakan confusion matrix sebagai dasar perhitungan metrik Accuracy, Precision, Recall, F1-score, Specificity, dan Negative Predictive Value (NPV), dengan fokus utama pada Recall. Hasil menunjukkan bahwa LR memiliki nilai Recall tertinggi (0.92), sementara RF menunjukkan keseimbangan terbaik dengan Accuracy (0.92), F1-Score (0.87), Specificity (0.95), dan NPV (0.93). KNN dan DT memiliki nilai Recall yang sama (0.83), tetapi kinerjanya sedikit lebih menurun pada metrik Precision dan F1-Score. Selain itu, dilakukan analisis before–after untuk menilai pengaruh SMOTE serta uji McNemar untuk menguji signifikansi perbedaan performa antar model. Analisis Feature Importance mengungkapkan bahwa jumlah folikel, panjang siklus menstruasi, dan pola konsumsi makanan cepat saji adalah faktor utama yang memengaruhi risiko PCOS. Temuan ini menunjukkan bahwa penerapan SMOTE secara signifikan meningkatkan kemampuan model dalam mendeteksi PCOS, yang berpotensi dikembangkan sebagai sistem pendukung keputusan di bidang kesehatan reproduksi.