UMKLAUMKLA

JKTI Jurnal Keilmuan Teknologi InformasiJKTI Jurnal Keilmuan Teknologi Informasi

Penyakit ginjal kronis (CKD) adalah penyakit progresif yang ditandai dengan penurunan laju filtrasi glomerulus, peningkatan ekskresi albumin urin atau keduanya, dan merupakan masalah kesehatan masyarakat global utama dengan beban kesehatan yang sangat tinggi. CKD diperkirakan terjadi pada 8-16% dari populasi dunia dan mengakibatkan harapan hidup yang jauh berkurang. Deteksi dini dan prediksi yang akurat terhadap CKD sangat penting untuk mengurangi komplikasi kesehatan seperti hipertensi, anemia, dan kematian prematur. Penelitian ini bertujuan untuk mengembangkan model prediksi CKD menggunakan tiga metode machine learning yaitu Random Forest, Naive Bayes, dan Support Vector Machine, kemudian membandingkan performa masing-masing metode. Dataset yang digunakan adalah dataset CKD dari UCI Machine Learning Repository yang terdiri dari 400 instance dengan 24 atribut. Hasil eksperimen menunjukkan bahwa Random Forest memperoleh akurasi 90,50%, Naive Bayes memperoleh akurasi tertinggi sebesar 94,21%, sedangkan SVM memperoleh akurasi 88,84%. Hasil penelitian ini menunjukkan bahwa Naive Bayes memberikan performa terbaik untuk prediksi penyakit ginjal kronis dengan tingkat akurasi yang superior dibandingkan metode lainnya. Model prediksi ini dapat membantu tenaga medis dalam melakukan deteksi dini dan pengambilan keputusan klinis yang tepat untuk penanganan pasien CKD.

Penelitian ini berhasil mengembangkan dan membandingkan tiga model machine learning untuk prediksi penyakit ginjal kronis menggunakan dataset UCI Machine Learning Repository.Naive Bayes menunjukkan performa terbaik dengan akurasi 94,21%, diikuti oleh Random Forest dan SVM.Model yang dikembangkan dapat membantu tenaga medis dalam deteksi dini dan pengambilan keputusan klinis untuk penanganan pasien CKD.

Pertama, perlu dikembangkan penelitian yang menggabungkan kekuatan Naive Bayes dengan metode ensemble seperti Random Forest atau boosting untuk melihat apakah akurasi prediksi dapat ditingkatkan melalui pendekatan hibrida. Kedua, penting untuk mengevaluasi performa model prediksi ini pada dataset medis lokal Indonesia yang mencerminkan karakteristik populasi setempat, mengingat perbedaan faktor risiko dan pola penyakit antar wilayah. Ketiga, sebaiknya dikembangkan studi untuk menguji penerapan model berbasis deep learning yang mampu menangani kompleksitas hubungan antar fitur dalam data medis secara lebih mendalam, terutama untuk data longitudinal yang mencatat perkembangan pasien dari waktu ke waktu. Studi-studi ini akan membantu meningkatkan generalisasi model, relevansinya dalam konteks klinis lokal, serta kemampuannya mendeteksi pola tersembunyi. Penggabungan algoritma sederhana dengan pendekatan kompleks perlu dieksplorasi lebih lanjut untuk menyeimbangkan akurasi dan interpretabilitas. Selain itu, validasi model dalam skenario dunia nyata seperti rumah sakit atau puskesmas sangat penting. Integrasi model ke dalam sistem rekam medis elektronik juga layak diteliti sebagai bagian dari sistem pendukung keputusan klinis. Dengan demikian, prediksi penyakit ginjal kronis dapat menjadi lebih akurat, adaptif, dan bermanfaat secara praktis bagi tenaga kesehatan di lapangan.

  1. #deep learning model#deep learning model
  2. #model random forest#model random forest
Read online
File size361.34 KB
Pages8
DMCAReport

Related /

ads-block-test