<![CDATA[Penyakit liver sering berkembang tanpa gejala awal yang jelas sehingga menyulitkan proses deteksi dini dan meningkatkan risiko komplikasi serius. Keterbatasan analisis manual terhadap data laboratorium pasien mendorong perlunya pendekatan komputasi yang mampu memberikan klasifikasi penyakit secara lebih akurat dan konsisten. Pendekatan pembelajaran mesin diterapkan untuk mengklasifikasikan potensi penyakit liver menggunakan data klinis terstruktur. Kontribusi utama yang dihasilkan berupa evaluasi komprehensif tiga algoritma klasifikasi dengan pengujian internal serta validasi eksternal menggunakan data yang tidak terlibat dalam pelatihan. Dataset yang digunakan terdiri dari 579 data pasien yang telah dibersihkan dan dibagi menjadi data pengembangan serta data uji akhir. Pemodelan dilakukan menggunakan algoritma regresi logistik, hutan acak, dan mesin vektor pendukung dengan variasi pembagian data latih sebesar 60%, 70%, dan 80% melalui pengambilan sampel acak berulang. Hasil pengujian menunjukkan bahwa metode hutan acak menghasilkan performa terbaik dengan nilai F1 sebesar 0,696 dan koefisien korelasi Matthews sebesar 0,203 pada pembagian data 80%. Regresi logistik menunjukkan akurasi stabil sebesar 0,728 namun memiliki kemampuan generalisasi yang lebih rendah. Mesin vektor pendukung menghasilkan akurasi cukup tinggi tetapi menunjukkan ketidakseimbangan klasifikasi. Pengujian data baru menunjukkan bahwa metode hutan acak mencapai kecocokan prediksi sebesar 98%, tertinggi di antara seluruh metode. Hasil tersebut menunjukkan bahwa metode hutan acak lebih efektif dalam klasifikasi penyakit liver karena memberikan keseimbangan antara akurasi, stabilitas, dan kemampuan generalisasi model.]]>
