KOMPARASI DETEKSI PENYAKIT GINJAL KRONIS MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE DAN RANDOM FOREST
DOI:
https://doi.org/10.36595/jire.v8i1.1288Keywords:
Penyakit Ginjal Kronis, Klasifikasi, Support Vector Machine, Random Forest, GridSearchCVAbstract
Penyakit Ginjal Kronis (PGK) adalah masalah kesehatan global yang signifikan dan seringkali tidak terdeteksi hingga mencapai stadium lanjut. PGK juga menjadi salah satu Penyakit Tidak Menular (PTM) penyebab kematian terbanyak dalam lingkup global. Oleh karena itu, deteksi dini PGK sangat penting untuk mencegah risiko komplikasi. Studi ini membandingkan dua algoritma klasifikasi, yaitu Support Vector Machine (SVM) dan Random Forest (RF). Algoritma SVM dikenal karena tingkat akurasinya yang tinggi, efisien dalam penggunaan memori, dan kemampuannya untuk menangani data dengan distribusi yang tidak normal. Sementara itu, algoritma RF dikenal karena kemampuannya dalam mengatasi overfitting dan menghasilkan prediksi yang lebih akurat. Data yang digunakan dalam penelitian ini adalah data pasien PGK yang diperoleh dari UCI Machine Learning Repository, yang terdiri dari 400 catatan pasien dengan 25 fitur. Optimalisasi parameter dilakukan menggunakan GridSearchCV untuk mendapatkan parameter terbaik untuk kedua algoritma. Hasil penelitian ini, algoritma Random Forest (RF) menunjukkan performa yang lebih baik daripada algoritma SVM, dengan akurasi sebesar 98,75%, precision 98,48%, recall 98,96%, dan F1-score 98,70%. Algoritma Random Forest (RF) lebih efektif dalam klasifikasi PGK pada dataset ini dibandingkan SVM. Studi ini menekankan pentingnya pemilihan algoritma yang tepat dan optimasi parameter dalam mengembangkan model klasifikasi yang andal dan akurat.
Penyakit Ginjal Kronis (PGK) adalah masalah kesehatan global yang signifikan dan seringkali tidak terdeteksi hingga mencapai stadium lanjut. PGK juga menjadi salah satu Penyakit Tidak Menular (PTM) penyebab kematian terbanyak dalam lingkup global. Oleh karena itu, deteksi dini PGK sangat penting untuk mencegah risiko komplikasi. Studi ini membandingkan dua algoritma klasifikasi, yaitu Support Vector Machine (SVM) dan Random Forest (RF). Algoritma SVM dikenal karena tingkat akurasinya yang tinggi, efisien dalam penggunaan memori, dan kemampuannya untuk menangani data dengan distribusi yang tidak normal. Sementara itu, algoritma RF dikenal karena kemampuannya dalam mengatasi overfitting dan menghasilkan prediksi yang lebih akurat. Data yang digunakan dalam penelitian ini adalah data pasien PGK yang diperoleh dari UCI Machine Learning Repository, yang terdiri dari 400 catatan pasien dengan 25 fitur. Optimalisasi parameter dilakukan menggunakan GridSearchCV untuk mendapatkan parameter terbaik untuk kedua algoritma. Hasil penelitian ini, algoritma Random Forest (RF) menunjukkan performa yang lebih baik daripada algoritma SVM, dengan akurasi sebesar 98,75%, precision 98,48%, recall 98,96%, dan F1-score 98,70%. Algoritma Random Forest (RF) lebih efektif dalam klasifikasi PGK pada dataset ini dibandingkan SVM. Studi ini menekankan pentingnya pemilihan algoritma yang tepat dan optimasi parameter dalam mengembangkan model klasifikasi yang andal dan akurat.
References
Y. Widjaja et al., “Peningkatan Kewaspadaan Masyarakat Terhadap Penyakit Ginjal Kronis Dengan Edukasi Gaya Hidup dan Skrining Fungsi Ginjal,” Communnity Development Journal, vol. 4, no. 6, pp. 12147–12153, 2023, doi: doi.org/10.31004/cdj.v4i6.22087.
L. C. Afrilia, J. T. Atmojo, and A. S. Mubarok, “Efektifitas Continuous Ambulatory Peritoneal Dialysis (CAPD) pada Penderita Gagal Ginjal: Litelatur Review,” Journal of Language and Health, vol. 5, no. 2, pp. 401–412, 2024, doi: doi.org/10.37287/jlh.v5i2.3521.
E. D. Kusumaningrum and S. Sariono, “Evidence Base Nursing Penggunaan Mobile Health Dialysis untuk Evaluasi Mandiri Adekuasi Hemodialisis pada Pasien Gagal Ginjal Kronik,” Malahayati Nursing Journal, vol. 5, no. 8, pp. 2580–2588, Aug. 2023, doi: 10.33024/mnj.v5i8.9519.
H. D. Siswaja and Y. Ramdhani, “Pendekatan Algoritma Neural Network dan Genetic Algorithm Untuk Prediksi Penyakit Ginjal Kronis,” JURNAL RESPONSIF, vol. 6, no. 2, pp. 232–239, 2024, doi: doi.org/10.51977/jti.v6i2.1778.
M. D. Purbolaksono, M. Irvan Tantowi, A. Imam Hidayat, and A. Adiwijaya, “Perbandingan Support Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, pp. 393–399, Apr. 2021, doi: 10.29207/resti.v5i2.3008.
A. Setiawan, R. Febrio Waleska, M. Adji Purnama, and L. Efrizoni, “Komparasi Algoritma K-Nearest Neighbor (K-NN), Support Vector Machine (SVM), Dan Decision Tree Dalam Klasifikasi Penyakit Stroke,” Jurnal Informatika & Rekayasa Elektronika), vol. 7, no. 1, p. 3, 2024, doi: doi.org/10.36595/jire.v7i1.1161.
M. Nurkholifah, Jasmarizal, Y. Umar, and Rahmaddeni, “Analisa Performa Algoritma Machine Learning Dalam Prediksi Penyakit Liver,” Jurnal Indonesia?: Manajemen Informatika dan Komunikasi, vol. 4, no. 1, pp. 164–172, Jan. 2023, doi: 10.35870/jimik.v4i1.149.
Firman Akbar and Rahmaddeni, “Komparasi Algoritma Machine Learning Untuk Memprediksi Penyakit Alzheimer,” Jurnal Komputer Terapan, vol. 8, no. 2, pp. 236–245, Nov. 2022, doi: 10.35143/jkt.v8i2.5713.
C. Chairunnisa, I. Ernawati, and M. M. Santoni, “Klasifikasi Sentimen Ulasan Pengguna Aplikasi PeduliLindungi di Google Play Menggunakan Algoritma Support Vector Machine dengan Seleksi Fitur Chi-Square,” Informatik?: Jurnal Ilmu Komputer, vol. 18, no. 1, pp. 69–79, 2022, doi: 10.52958/iftk.v17i4.4594.
I. Siti Aisah, B. Irawan, and T. Suprapti, “ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISIS SENTIMEN ULASAN APLIKASI AL QUR’AN DIGITAL,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 6, pp. 3759–3765, Feb. 2024, doi: 10.36040/jati.v7i6.8263.
V. Singh, V. K. Asari, and R. Rajasekaran, “A Deep Neural Network for Early Detection and Prediction of Chronic Kidney Disease,” Diagnostics, vol. 12, no. 1, p. 116, Jan. 2022, doi: 10.3390/diagnostics12010116.
N. Giarsyani, A. F. Hidayatullah, and R. Rahmadi, “Komparasi Algoritma Machine Learning dan Deep Learning Untuk Named Entity Recognition?: Studi Kasus Data Kebencanaan,” Jurnal Informatika dan Rekayasa Elektronik, vol. 3, no. 1, pp. 48–57, 2020.
C. Z. V. Junus, T. Tarno, and P. Kartikasari, “Klasifikasi Menggunakan Metode Support Vector Machine dan Random Forest Untuk Deteksi Awal Risiko Diabetes Melitus,” Jurnal Gaussian, vol. 11, no. 3, pp. 386–396, Jan. 2023, doi: 10.14710/j.gauss.11.3.386-396.
H. Mulyo and N. A. Maori, “Peningkatan Akurasi Prediksi Pemilihan Program Studi Calon Mahasiswa Baru Melalui Optimasi Algoritma Decision Tree Dengan Teknik Pruning dan Ensemble,” Jurnal Disprotek, vol. 15, no. 1, pp. 15–25, 2024, doi: doi.org/10.34001/jdpt.v15i1.
G. A. Sandag, “Prediksi Rating Aplikasi App Store Menggunakan Algoritma Random Forest,” CogITo Smart Journal, vol. 6, no. 2, pp. 167–178, Dec. 2020, doi: 10.31154/cogito.v6i2.270.167-178.
D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” Jurnal Sains Komputer & Informatika (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021, doi: dx.doi.org/10.30645/j-sakti.v5i2.369.
Downloads
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
