Optimasi Random Forest Untuk Diagnosis Penyakit Ginjal Kronik Dengan Menggunakan Particle Swarm Optimization

Sheva Naufal Rifqi, Anita Muliawati, Desta Sandya Prasvita

Abstract


Penyakit Ginjal Kronik (PGK) merupakan salah satu penyakit yang penderitanya terus meningkat dalam skala global. Penyakit ginjal kronik ini menyebabkan kemampuan cairan elektrolit pada tubuh tidak dapat mempertahankan metabolisme dalam tubuh dengan baik. Penyebab penyakit ini terus meningkat dikarenakan sifatnya yang sangat progresif dan irreversible. Untuk mengatasi hal ini, diperlukannya metode cepat dan akurat dalam mendiagnosa penyakit ginjal kronik ini, agar penanganan terhadap penderitanya bisa cepat ditangani. Salah satu metode yang tepat dalam memprediksi diagnosa ginjal kronik ini adalah dengan membangun model klasifikasi dengan menggunakan berbagai macam algoritma, salah satunya dengan menggunakan random forest. Tetapi dalam penerapannya diperlukan metode lain untuk mengoptimasi algoritma tersebut agar menjadi lebih akurat. Untuk mengatasi hal tersebut digunakan algoritma Particle Swarn Optimization untuk dilakukan seleksi fitur terhadap data yang memiliki fitur yang banyak. Hasil evaluasi dalam pengujian performa dengan menggunakan Particle Swarn Optimization dalam pengklasifikasian CKD dan Non CKD menghasilkan akurasi sebesar 99.167%.

Keywords


ginjal kronik;Random Forest;Particle Swarm Optimization

References


Aldy Fauzi, Zahrah Maulidia Septimar, & H.A.Y.G Wibisono. (2021). Literature Review : Pengaruh Mengunyah Xylitol Terhadap Ph Saliva Dan Rasa Haus Pada Pasien Penyakit Ginjal Kronis Yang Menjalani Hemodialisa Di Rumah Sakit. Jurnal Kesehatan, 10(1), 51–73. https://doi.org/10.37048/kesehatan.v10i1.336

Amalia, H. (2018). Perbandingan Metode Data Mining Svm Dan Nn Untuk Klasifikasi Penyakit Ginjal Kronis. Maret, 14(1), 1. www.bsi.ac.id

Arifin, T. (2017). Implementasi Algoritma PSO Dan Teknik Bagging Untuk Klasifikasi Sel Pap Smear. Jurnal Informatika, 4(2), 155–162.

Arifin, T., & Ariesta, D. (2019). PREDIKSI PENYAKIT GINJAL KRONIS MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER BERBASIS PARTICLE SWARM OPTIMIZATION. 13(1), 26–30.

Chen, Z., Zhang, X., & Zhang, Z. (2016). Clinical risk assessment of patients with chronic kidney disease by using clinical data and multivariate models. International Urology and Nephrology, 48(12), 2069–2075. https://doi.org/10.1007/s11255-016-1346-4

Ilham, A. (2020). Hybrid Metode Boostrap Dan Teknik Imputasi Pada Metode C4-5 Untuk Prediksi Penyakit Ginjal Kronis. Statistika, 8(1), 43–51. https://jurnal.unimus.ac.id/index.php/statistik/article/view/5765

Kemenkes RI. (2017). Info datin ginjal. Situasi Penyakit Ginjal Kronik, 1–10.

Neuen, B. L., Chadban, S. J., Demaio, A. R., Johnson, D. W., & Perkovic, V. (2017). Chronic kidney disease and the global NCDs agenda. BMJ Global Health, 2(2). https://doi.org/10.1136/bmjgh-2017-000380

Raghuwanshi, K. S. (2018). A Qualitative Review of Two Evolutionary Algorithms Inspired by Heuristic Population Based Search Methods: GA & PSO BT - Smart Trends in Systems, Security and Sustainability (X.-S. Yang, A. K. Nagar, & A. Joshi (eds.); pp. 169–175). Springer Singapore.

Rustam, Z., Sudarsono, E., & Sarwinda, D. (2019). Random-Forest (RF) and Support Vector Machine (SVM) Implementation for Analysis of Gene Expression Data in Chronic Kidney Disease (CKD). IOP Conference Series: Materials Science and Engineering, 546(5). https://doi.org/https://doi.org/10.1088/1757-899X/546/5/052066

Saragih, G. (2018). Prediksi Kebangkrutan Bank dengan Menggunakan Random Forest. Universitas Indonesia.

Suvarchla, K., Madhubala, M., Padmaja, B., & Anjaiah, P. (2018). Lecture On Data Warehouse and Data Mining.

Yunus, W. (2018). Algoritma K-Nearest Neighbor Berbasis Particle Swarm Optimization Untuk Prediksi Penyakit Ginjal Kronik. Jurnal Teknik Elektro CosPhi, 2(2), 51–55.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.