Berdasarkan data dari UNAIDS, di tahun 2019 38 juta orang di seluruh dunia diperkirakan
menderita Human Immunodeficiency Virus (HIV). Padahal hingga saat ini masih belum ditemukan obat
untuk menyembuhkan HIV. Meskipun begitu, terdapat jenis obat yang dapat memperlambat
perkembangan virus yakni antiretroviral (ARV). ARV bekerja dengan menghilangkan unsur yang
dibutuhkan virus HIV untuk menggandakan diri, dan mencegah virus HIV menghancurkan sel cluster of
differentiation 4 (CD4).
Pandangan negatif terhadap orang dengan HIV/AIDS (ODHA) menjadi hambatan besar untuk
pencegahan, pengobatan, perawatan dan dukungan HIV/AIDS. Stigma dan diskriminasi yang tersebar di
masyarakat, menyebabkan terjadinya kecemasan dan prasangka terhadap ODHA sehingga masyarakat
enggan melakukan pemeriksaan HIV atau tidak mengungkapkan status HIV kepada pasangan. Semua itu
menyebabkan penundaan atau penolakan perawatan dan ketidakpatuhan dalam pengobatan HIV.
Dalam penelitian Tugas Akhir ini, telah dilakukan perancangan sistem untuk mengklasifikasikan
imunodefisiensi sebagai risiko HIV dengan menggunakan parameter CD4. Metode yang digunakan yaitu
Support Vector Machine (SVM) sebagai klasifikator. Pengklasifikasian meggunakan metode SVM dengan
pengukuran yang tepat dapat memberikan pertolongan untuk mencegah tersebarnya virus dalam tubuh
penderita HIV. Pembelajaran mesin telah digunakan sebagai alat prediksi di banyak bidang kedokteran,
termasuk memprediksi obat ARV. Pembelajaran mesin juga dapat digunakan untuk mengklasifikasi risiko
dari informasi jumlah CD4. SVM adalah metode pembelajaran mesin yang bekerja dengan tujuan untuk
mendapatkan hyperplane terbaik yang memisahkan kelas pada input space.
Hasil yang diperoleh dalam Tugas Akhir ini adalah aplikasi berbasis Python yang dapat mengolah
data untuk klasifikasi risiko HIV. Jumlah sampel data yang digunakan dalam penelitian Tugas Akhir ini
masih terbatas yakni sebesar 16 data uji dan 500 data latih. Performansi yang dihasilkan dari sistem
tersebut yaitu akurasi rata-rata Kernel Linear 68.75%, akurasi Kernel RBF 87.5% dengan nilai parameter
pada sequential training SVM.