<![CDATA[Abstrak — Deteksi dini terhadap penyakit liver sangat penting karena keterlambatan diagnosis dapat menurunkan efektivitas pengobatan. Penelitian ini bertujuan untuk membangun model klasifikasi berbasis algoritma Support Vector Machine (SVM) guna mendeteksi penyakit liver secara awal. Dataset yang digunakan berasal dari UCI Machine Learning Repository, mencakup data pasien dengan berbagai atribut, seperti hasil tes laboratorium dan gejala klinis. Metodologi yang digunakan mengikuti tahapan CRISP-DM, meliputi pemahaman bisnis, eksplorasi data, persiapan data, pembuatan model, evaluasi, dan penerapan. Setelah melalui proses preprocessing, data digunakan untuk melatih dan menguji model SVM dengan berbagai jenis kernel dan teknik oversampling. Pada tahap awal, model terbaik diperoleh dari kombinasi kernel linear dan metode SMOTE+TOMEK pada skenario pembagian data 90:10, menghasilkan akurasi 64,41%. Optimasi lebih lanjut dilakukan melalui penyesuaian hyperparameter menggunakan GridSearch, kernel sigmoid, dan teknik ADASYN. Strategi ini berhasil meningkatkan akurasi sebesar 13,56% hingga mencapai 77,97%. Hasil penelitian menunjukkan bahwa optimasi parameter dan penyeimbangan distribusi kelas secara signifikan meningkatkan performa model. Sebagai pelengkap, dikembangkan dashboard berbasis web untuk menyajikan hasil klasifikasi dan analisis data pasien secara visual dan interaktif. Kata kunci— Liver, Support Vector Machine, Kalsifikasi, CRISP-DM.]]>
Copyrights © 2025
