<![CDATA[Penyakit asma memiliki pola gejala, faktor risiko, dan fungsi paru yang heterogen sehingga identifikasi berbasis rekam medis memerlukan pendekatan yang objektif dan terukur. Penelitian ini mengimplementasikan Support Vector Machine (SVM) kernel Radial Basis Function (RBF) untuk mengklasifikasikan pasien tidak asma/normal dan asma berdasarkan 1.087 rekam medis RSUD Tidore periode 1 Januari 2021–31 Desember 2025 dengan 13 fitur klinis. Data dibagi secara stratified menjadi 80% data latih dan 20% data uji; MinMaxScaler ditempatkan dalam pipeline untuk mencegah information leakage. Hyperparameter C dan gamma dioptimasi menggunakan Grid Search dengan stratified 5-fold cross-validation pada data latih, dan kestabilan model dievaluasi menggunakan nested stratified 5-fold cross-validation. Parameter terbaik pada data latih adalah C=30 dan gamma=0,01. Pada holdout test set, model menghasilkan TN=89, FP=1, FN=6, dan TP=122 dengan akurasi 96,79%, presisi 99,19%, sensitivitas 95,31%, spesifisitas 98,89%, F1-score 97,21%, Matthews Correlation Coefficient (MCC) 0,935, dan ROC-AUC 0,9949. Nested cross-validation menghasilkan ROC-AUC 0,9898±0,0049 dan akurasi 95,21±1,56%, yang menunjukkan performa relatif stabil pada pembagian data yang berbeda. Permutation importance menempatkan FEV1, dada terasa berat, riwayat keluarga asma, dan sesak napas sebagai fitur dengan kontribusi prediktif terbesar. Enam false negative terutama menunjukkan ketiadaan sesak napas dan gejala malam hari, sehingga penekanan false negative tetap penting dari perspektif patient safety. Keterbatasan penelitian meliputi data satu pusat, distribusi kelas yang tidak sepenuhnya seimbang, ketidaktersediaan provenance rinci label diagnosis, dan metadata unit spirometri. Model diposisikan sebagai Clinical Decision Support System dan tidak menggantikan diagnosis profesional dokter. ]]>
