Penyakit ginjal kronis (PGK) merupakan salah satu penyakit kronis yang paling umum dan berakibat ... more Penyakit ginjal kronis (PGK) merupakan salah satu penyakit kronis yang paling umum dan berakibat fatal. Deteksi dini PGK sangat penting untuk mencegah komplikasi dan meningkatkan peluang kesembuhan. Klasifikasi PGK menggunakan metode machine learning dapat membantu dokter dalam mendiagnosis penyakit ini secara akurat dan efisien. Penelitian ini bertujuan untuk membandingkan kinerja tiga metode pembelajaran mesin, yaitu K-Nearest Neighbors (K-NN), Random Forest, dan Decision Tree, dalam klasifikasi penyakit ginjal kronis menggunakan dataset Chronic Kidney Disease dari Kaggle. Dataset ini berisi informasi tentang 400 pasien dengan berbagai fitur, termasuk usia, tekanan darah, kadar protein dalam urin, dan kadar kreatinin yang digunakan untuk menentukan apakah seorang pasien menderita penyakit ginjal kronis atau tidak. Proses penelitian meliputi pembersihan data, normalisasi, dan pembagian data menjadi set pelatihan dan pengujian. Setiap metode akan dilatih menggunakan data pelatihan dan dievaluasi berdasarkan metrik akurasi dan kurva ROC AUC pada data pengujian. Hasil komparasi ini diharapkan dapat mengidentifikasi metode yang paling efektif dan efisien dalam mendeteksi penyakit ginjal kronis. Dengan demikian, penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem deteksi dini penyakit ginjal kronis yang lebih akurat dan dapat diandalkan. Selain itu, hasil penelitian ini dapat menjadi referensi bagi peneliti dan praktisi dalam memilih metode yang tepat untuk klasifikasi penyakit ginjal kronis, yang pada akhirnya dapat meningkatkan kualitas diagnosis dan perawatan pasien.
Penyakit ginjal kronis (PGK) merupakan salah satu penyakit kronis yang paling umum dan berakibat ... more Penyakit ginjal kronis (PGK) merupakan salah satu penyakit kronis yang paling umum dan berakibat fatal. Deteksi dini PGK sangat penting untuk mencegah komplikasi dan meningkatkan peluang kesembuhan. Klasifikasi PGK menggunakan metode machine learning dapat membantu dokter dalam mendiagnosis penyakit ini secara akurat dan efisien. Penelitian ini bertujuan untuk membandingkan kinerja tiga metode pembelajaran mesin, yaitu K-Nearest Neighbors (K-NN), Random Forest, dan Decision Tree, dalam klasifikasi penyakit ginjal kronis menggunakan dataset Chronic Kidney Disease dari Kaggle. Dataset ini berisi informasi tentang 400 pasien dengan berbagai fitur, termasuk usia, tekanan darah, kadar protein dalam urin, dan kadar kreatinin yang digunakan untuk menentukan apakah seorang pasien menderita penyakit ginjal kronis atau tidak. Proses penelitian meliputi pembersihan data, normalisasi, dan pembagian data menjadi set pelatihan dan pengujian. Setiap metode akan dilatih menggunakan data pelatihan dan dievaluasi berdasarkan metrik akurasi dan kurva ROC AUC pada data pengujian. Hasil komparasi ini diharapkan dapat mengidentifikasi metode yang paling efektif dan efisien dalam mendeteksi penyakit ginjal kronis. Dengan demikian, penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem deteksi dini penyakit ginjal kronis yang lebih akurat dan dapat diandalkan. Selain itu, hasil penelitian ini dapat menjadi referensi bagi peneliti dan praktisi dalam memilih metode yang tepat untuk klasifikasi penyakit ginjal kronis, yang pada akhirnya dapat meningkatkan kualitas diagnosis dan perawatan pasien.
Uploads
Papers by Isyqi Putri Navisah