Bioinformatika merupakan suatu cabang ilmu yang menggabungkan antara ilmu biologi dan ilmu komputasi, salah satu permasalahan di bidang bioinformatika yaitu prediksi struktur sekunder protein. Prediksi struktur sekunder protein bertujuan untuk mencari fungsi protein dengan cara mengklasifikasikan urutan struktur primer protein ke dalam urutan struktur sekunder protein. Support Vector Machine (SVM) merupakan salah satu algoritma untuk menyelesaikan masalah klasifikasi. Dalam penelitian ini, penulis menggunakan algoritma Support Vector Machine untuk mengklasifikasikan urutan struktur primer protein dan urutan struktur sekunder protein. Selain itu, penulis juga menggunakan metode RandomizedSearchCV sebagai hyperparameter untuk meningkatkan hasil akurasi dari model yang ada. Dengan menggunakan empat jenis kernel, yaitu kernel Linier, Kernel Polynomial, Kernel RBF, dan Kernel Sigmoid. Hasil akhir menunjukkan bahwa penerapan algoritma SVM dengan RandomizedSearchCV pada setiap kernel memiliki akurasi yang beragam. Pada rasio pembagian data sebesar 60% data latih dan 40% data uji  kernel Linier, kernel polynomial, kernel RBF, dan kernel Sigmoid berturut-turut menghasilkan nilai akurasi sebesar 59%, 76,9%,44,8%, dan42,9%. Pada rasio pembagian data sebesar 70% data latih dan 30% data uji kernel Linier, kernel polynomial, kernel RBF, dan kernel Sigmoid berturut-turut menghasilkan nilai akurasi sebesar 59,2%, 78,9%, 44,7%, dan 42,9%. Pada rasio pembagian data sebesar 80% data latih dan 20 data uji  kernel Linier, kernel polynomial, kernel RBF, dan kernel Sigmoid berturut-turut menghasilkan nilai akurasi sebesar 59,2%, 80,2%, 45,5%, dan 41,9%. Hasil akurasi paling tinggi didapatkan dengan penggunaan SVM dengan RandomizedSearchCV pada kernel Polynomial memiliki akurasi yang paling tinggi yakni sebesar 76,9%, 79,8%, dan 80,2%.

Keywords : Prediksi Struktur Sekunder Protein, SVM, Sliding Window, RandomizedSearchCV, kernel, classification report.