SISTEM PAKAR MEMPREDIKSI PENYAKIT ANEMIA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DI MALUKU UTARA

Abstrak

Anemia merupakan salah satu masalah kesehatan global dengan prevalensi yang tinggi, termasuk di Provinsi Maluku Utara. Keterbatasan akses terhadap layanan kesehatan dan fasilitas laboratorium menjadi hambatan dalam mendeteksi anemia secara dini. Penelitian ini bertujuan untuk membangun sistem pakar berbasis web yang mampu memprediksi penyakit anemia dengan memanfaatkan algoritma Support Vector Machine (SVM). Metode SVM dipilih karena memiliki kemampuan klasifikasi yang tinggi dan efektif dalam menangani data berdimensi besar. Proses penelitian meliputi tahapan pengumpulan data gejala, pra-pemrosesan, pelatihan model menggunakan teknik Synthetic Minority Over-Sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan data, serta implementasi sistem menggunakan framework Flask dan basis data SQLite. Hasil pengujian menunjukkan bahwa model SVM yang dikembangkan mampu mencapai tingkat akurasi sebesar 92,5%, dengan recall tinggi pada kedua kelas (anemia dan tidak anemia), menandakan kemampuan sistem dalam mendeteksi anemia secara efektif dan seimbang. Sistem ini diharapkan dapat menjadi alat bantu diagnosis awal bagi masyarakat dan tenaga kesehatan, khususnya di wilayah dengan akses terbatas terhadap fasilitas medis.

Anemia remains a major global health problem with a high prevalence, including in North Maluku Province. Limited access to healthcare services and laboratory facilities hinders early detection of anemia. This research aims to develop a web-based expert system capable of predicting anemia disease using the Support Vector Machine (SVM) algorithm. The SVM method was chosen for its high classification accuracy and effectiveness in handling high-dimensional data. The research process includes data collection on symptoms, data preprocessing, model training using the Synthetic Minority Over-Sampling Technique (SMOTE) to address data imbalance, and system implementation using the Flask framework with an SQLite database. The test results show that the developed SVM model achieved an accuracy rate of 92.5%, with high recall values for both classes (anemia and non-anemia), indicating the system’s capability to detect anemia effectively and consistently. This expert system is expected to serve as an early diagnosis tool for both the public and healthcare practitioners, especially in regions with limited access to medical facilities.