<![CDATA[Non-Alcoholic Fatty Liver Disease (NAFLD) merupakan penyakit hati kronis yang prevalensinya terus meningkat secara global, termasuk di Indonesia, dengan faktor risiko utama seperti obesitas, diabetes melitus, dan dislipidemia. Deteksi dini NAFLD menjadi tantangan penting karena metode konvensional seperti biopsi hati dan pencitraan memiliki keterbatasan dalam hal biaya, risiko invasif, dan kepraktisan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi NAFLD menggunakan algoritma Support Vector Machine (SVM) dengan memanfaatkan dataset dari Kaggle yang terdiri dari 10 variabel dan 17.549 data. Untuk mengatasi masalah ketidakseimbangan kelas, diterapkan teknik oversampling seperti SMOTE, ADASYN, dan Random Oversampling (ROS) untuk melihat performa akurasi. Hasil penelitian menunjukkan bahwa SMOTE memberikan performa terbaik dengan akurasi tertinggi mencapai 78,70% pada kernel RBF, ROS dengan akurasi 78,18% dan ADASYN dengan akurasi 76,86%. Penelitian ini menyimpulkan bahwa pemilihan teknik oversampling data dan parameter yang tepat sangat penting dalam meningkatkan efektivitas model untuk menangani data tidak seimbang, sehingga dapat berkontribusi pada pengembangan metode deteksi NAFLD yang lebih efisien dan non-invasif.]]>
Copyrights © 2025
