Analisis Perbandingan Model Machine Learning untuk Klasifikasi Penyakit Gagal Ginjal Kronis

Abstract

Gagal ginjal kronis merupakan penyakit medis yang menganggu organ vital manusia yang mengakibatkan menurunnya fungsi ginjal secara normal dikarenakan adanya penumpukan limbah yang dikeluarkan melalui urin. Ginjal pada manusia berfungsi sebagai tempat menyaring atau mencegah darah serta menjaga keseimbangan cairan dan elektrolit dalam tubuh. Dikarenakan penyakit gagal ginjal kronik tidak dapat disembuhkan secara total maka hal terburuk yaitu dilakukan cuci darah dengan cara pembuangan zat beracun dari dalam tubuh di gagal ginjal kronis. Diabetes, tekanan darah, hipertensi merupakan salah satu faktor yang mempengaruhi gagal ginjal kronis. Machine learning (ML) dalam bidang kesehatan pada dasarnya merupakan pemafaatan program yang digunakan untuk memahami data dalam dunia medis dengan cara mengumpulkan model statistika, menemukan pola sehingga bisa mengklasifikasi data medis. Machine learning diharapkan mampu dalam mengidentifikasi mengklasifikasi seseorang mengidap penyakit gagal ginjal atau tidak dengan cara mengklasifikasi data informasi gagal ginjal yang telah tersedia. Penelitian ini menggunakan lima algoritma Machine learning diantaranya Random Forest, Support Vector Machine, Decision Tree, Adaptive Boosting, dan Gradient Boosting dengan menggunakan K-Fold Cross Validation. Penelitian ini membandingkan hasil metode dari lima algoritma dengan mengevaluasi model algoritma dengan mengukur tingkat akurasi, presisi, recall, dan F1-score.