KLASIFIKASI PENYAKIT GINJAL KRONIS DENGAN MENGGUNAKAN ALGORITMA MACHINE LEARNING

Abstract

Penelitian ini bertujuan mengembangkan model klasifikasi penyakit Ginjal Kronis dengan memanfaatkan Algoritma Machine Learning sebagai metode seleksi fitur sebelum proses klasifikasi. Dataset diperoleh dari platform Kaggle yang meliputi data klinis dan gaya hidup, proses preprocessing dilakukan melalui pembersihan data, penghapusan atribut non relevan, normalisasi menggunakan Min-Max Scaling, serta penanganan ketidakseimbangan data dengan tiga pendekatan, yaitu tanpa balancing (original), random undersampling, dan Synthetic Minority Oversampling Technique (SMOTE). Seleksi fitur dilakukan menggunakan metode SelectKBest untuk memilih atribut paling berpengaruh terhadap diagnosis CKD Tiga algoritma klasifikasi digunakan, yaitu K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Random Forest (RF), dengan tuning parameter untuk memperoleh hasil optimal. Evaluasi dilakukan menggunakan metrik akurasi, sensitivitas, spesifisitas, presisi, dan f1-score. Hasil pengujian menunjukkan bahwa model RandomForest dengan n=200, pada skenario SMOTE mencapai performa terbaik dengan akurasi di atas 96%, precision di atas 99%, recall 93%. Hasil ini membuktikan bahwa seleksi fitur SelectKBest dengan algoritma klasifikasi serta strategi balancing data yang tepat mampu meningkatkan performa prediksi penyakit Ginjal Kronis secara signifikan