<![CDATA[Anemia merupakan gangguan kesehatan yang dapat berdampak serius terhadap kualitas hidup, sehingga diagnosis dini yang cepat dan akurat sangat diperlukan. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem pakar berbasis Support Vector Machine (SVM) untuk membantu diagnosis anemia berdasarkan parameter darah tertentu. Dataset yang digunakan dalam penelitian ini berasal dari Kaggle (anemia.csv), yang terdiri dari 1421 sampel dengan fitur numerik seperti jenis kelamin, kadar hemoglobin, MCH, MCHC, dan MCV. Model SVM dengan kernel Radial Basis Function (RBF) diterapkan untuk mengklasifikasikan individu yang mengalami anemia dan yang tidak. Hasil pengujian menunjukkan bahwa model memiliki akurasi tinggi sebesar 98.6%, dengan nilai presisi dan recall yang stabil di atas 96%. Model ini hanya menghasilkan 2 kesalahan klasifikasi untuk masing-masing kategori false positive dan false negative, menunjukkan tingkat kesalahan yang sangat rendah. Dengan performa yang unggul, sistem pakar berbasis SVM ini berpotensi menjadi alat bantu diagnosis anemia yang dapat membantu tenaga medis serta individu dengan keterbatasan akses terhadap fasilitas kesehatan. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi kecerdasan buatan di bidang medis, khususnya untuk diagnosis penyakit berbasis data. Abstract Anemia is a health disorder that can have a significant impact on quality of life, making early and accurate diagnosis crucial. This study aims to design and develop an expert system based on Support Vector Machine (SVM) to assist in the diagnosis of anemia using specific blood parameters. The dataset used in this study was obtained from Kaggle (anemia.csv), consisting of 1,421 samples with numerical features such as gender, hemoglobin levels, MCH, MCHC, and MCV. The SVM model with a Radial Basis Function (RBF) kernel was applied to classify individuals as anemic or non-anemic. The test results show that the model achieves a high accuracy of 98.6%, with precision and recall values consistently above 96%. The model only produced two misclassifications in both the false positive and false negative categories, indicating a very low error rate. With its excellent performance, the SVM-based expert system has the potential to become a diagnostic aid for anemia, particularly benefiting healthcare professionals and individuals with limited access to medical facilities. This study is expected to contribute to the development of artificial intelligence technology in the medical field, specifically for data-driven disease diagnosis.]]>
