Studi Komparasi Klasifikasi Gagal Ginjal Kronis Menggunakan Algoritma SVM, KNN dan MLP

Abstract

Gagal ginjal kronis ialah suatu keadaan menurunnya kinerja ginjal yang bersifat kronik, progesif dan bertahan lama. Seseorang dengan gagal ginjal kronis akan memiliki efek samping seperti kerusakan pada sistem saraf serta kerusakan pada kekebalan tubuh dan aktivitas sehari-hari dapat terganggu, oleh karena itu sangat penting untuk mendiagnosis dini agar dapat mengurangi risiko dari dampak gagal ginjal kronis. Pada penelitian ini digunakan algoritma Support Vector Machine, K-Nearest Neighbor dan Multilayer Perceptron sebagai metode pengklasifikasian gagal ginjal kronis. Penelitian ini bertujuan agar dapat menentukan algoritma terbaik dalam klasifikasi gagal ginjal kronis berdasarkan nilai akurasi serta penggunaan waktu pembuatan model. Dataset yang digunakan yaitu dataset Chronic Kidney Disease yang bersumber dari UCI Machine Learning repository yang memiliki 2 kelas yaitu kelas gagal ginjal kronis dan kelas bukan gagal ginjal kronis yang diambil dari 400 subyek dengan 24 atribut. Sebelum proses klasifikasi, terlebih dahulu dilakukan normalisasi dan split data menggunakan validasi silang 10-fold. Berdasarkan hasil evaluasi, akurasi tertinggi didapatkan pada saat algoritma MLP dengan nilai rata-rata akurasi mencapai 99.48% ± 0.15. Namun berdasarkan waktu pembuatan model dalam proses klasifikasi, algoritma KNN memiliki waktu yang tercepat yaitu 0.0017 ± 0.0041 detik.