Penyakit hati adalah salah satu masalah kesehatan yang sulit didiagnosis secara akurat, terutama pada pasien obesitas dan obesitas morbid. Kondisi ini meningkatkan risiko komplikasi seperti Fatty Liver Disease, yang membutuhkan diagnosis dini untuk mencegah kerusakan lebih lanjut. Kadar enzim SGOT dan SGPT menjadi parameter penting dalam mendeteksi gangguan hati. Namun, prediksi kedua enzim ini sering terkendala error model yang tinggi, sehingga mengurangi akurasi diagnosis. Penelitian ini menggunakan model multi-target regression berbasis algorithm adaptation method dengan estimator Support Vector Regression (SVR). Model ini mengimplementasikan regressor chains yang diurutkan berdasarkan korelasi variabel target untuk meningkatkan akurasi prediksi. Hyperparameter tuning, yaitu Random Search, Bayesian Optimization, dan Genetic Algorithm, pada kernel linear, RBF, dan polynomial. Selain itu, metode penskalaan data berupa standarisasi dibandingkan dengan normalisasi untuk mengevaluasi sensitivitas SVR terhadap distribusi data. Hasil penelitian menunjukkan bahwa standarisasi lebih efektif dalam mengoptimalkan performa model, terutama dalam mengatasi kondisi ‘plateau’ selama proses training. Hasil penelitian menunjukkan bahwa Random Search dengan kernel RBF memberikan performa terbaik, konsisten menurunkan nilai error dengan persentase perbedaan seebesar 7.2% disbanding model default. Bayesian Optimization memberikan hasil kompetitif seperti Random Search dengan penurunan error sebesar 7.1% dibandingkan dengan model default. Sedangkan Genetic Algorithm menunjukkan performa yang kurang stabil pada kernel polynomial dan RBF. Hyperparameter tuning secara keseluruhan meningkatkan performa model secara signifikan, dengan penurunan error yang mencerminkan efektivitas tuning dalam meningkatkan akurasi prediksi SGOT dan SGPT.
Kata Kunci: hyperparameter tuning, multi-target regression, SGOT, SGPT, obesitas