Publisher

LENTERADUALENTERADUA

Journal JNANALOKAJNANALOKA Abstract

Data mining berhubungan dengan pencarian data untuk menemukan pola atau pengetahuan dari data keseluruhan. Data mining dapat digunakan untuk memprediksi suatu keadaan, seperti apakah seseorang terkena penyakit ginjal kronis atau tidak. Dalam penelitian ini, metode pengurangan fitur symmetrical uncertainty dengan algoritma klasifikasi Gradient Boosting, Random Forest, Support Vector Machine, dan Naïve Bayes digunakan untuk memprediksi penyakit ginjal kronis. Jumlah atribut yang diklasifikasi adalah 24, 12, 6, 5, dan 4 atribut. Peningkatan nilai akurasi didapatkan pada pengurangan atribut dari 24 ke 12 dengan algoritma Naïve Bayes. Selain itu, diperoleh Support Vector Machine memiliki akurasi terbaik pada semua jumlah atribut, diikuti Gradient Boosting, Random Forest, dan Naïve Bayes. Pada klasifikasi 5 atribut, terlihat algoritma Support Vector Machine dan Gradient Boosting masih memiliki akurasi 1. Kelima atribut tersebut antara lain: hemoglobin, packed cell volume, serum creatinine, albumin, dan specific gravity. Pengurangan atribut dapat meningkatkan akurasi dan dapat memudahkan proses prediksi karena jumlah atribut lebih sedikit.

Conclusion

Penelitian ini menunjukkan bahwa metode pengurangan fitur Symmetrical Uncertainty dapat digunakan untuk memprediksi penyakit ginjal kronis dengan akurasi yang baik.Algoritma Support Vector Machine (SVM) secara konsisten memberikan akurasi terbaik dibandingkan algoritma lainnya yang diuji.Penggunaan hanya lima atribut, yaitu hemoglobin, packed cell volume, serum creatinine, albumin, dan specific gravity, sudah cukup untuk mencapai akurasi 100% dengan metode Gradient Boosting dan SVM.

Future Research

Penelitian lanjutan dapat dilakukan dengan membandingkan metode symmetrical uncertainty dengan teknik pemilihan fitur lainnya untuk mengidentifikasi pendekatan yang paling efektif dalam memprediksi penyakit ginjal kronis. Selain itu, penting untuk menguji model ini pada dataset yang lebih besar dan beragam, termasuk data dari populasi Indonesia, untuk memastikan generalisasi dan validitasnya. Pengembangan sistem pendukung keputusan berbasis model ini juga dapat dieksplorasi, dengan mempertimbangkan integrasi data klinis tambahan dan faktor risiko lainnya untuk memberikan prediksi yang lebih akurat dan personal bagi pasien.

References

1. (PDF) Analysis and Prediction of Chronic Kidney Disease using Data Mining Techniques. pdf analysis prediction... rgdoi.net/10.13140/RG.2.2.26856.72965PDF Analysis and Prediction of Chronic Kidney Disease using Data Mining Techniques pdf analysis prediction rgdoi 10 13140 RG 2 2 26856 72965

Metadata

File size	444.79 KB
Pages	10
DMCA	Report