Implementasi XGBoost untuk Klasifikasi Chronic Kidney Disease dengan Optimasi Optuna dan Interpretasi SHAP

Andriani Wijaya, Irene (2026) Implementasi XGBoost untuk Klasifikasi Chronic Kidney Disease dengan Optimasi Optuna dan Interpretasi SHAP. Pro-Step Report, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (491kB)
	PDF BAB_I.pdf Download (527kB)
	PDF BAB_II.pdf Download (431kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (287kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (257kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (2MB)
	PDF LEMBAR_PENGESAHAN.pdf Restricted to Registered users only Download (53kB)

Abstract

Chronic Kidney Disease (CKD) merupakan penyakit yang memerlukan deteksi dini untuk mendukung penanganan dan mengurangi risiko perkembangan penyakit. Penelitian ini bertujuan untuk mengembangkan model klasifikasi CKD menggunakan pendekatan machine learning. Tahapan penelitian meliputi studi literatur, evaluasi dataset, pengolahan data, pengembangan model klasifikasi, optimasi hyperparameter, evaluasi model, serta interpretasi hasil prediksi. Dataset yang digunakan adalah Chronic Kidney Disease Dataset yang diperoleh dari UCI Machine Learning Repository. Enam algoritma klasifikasi dibandingkan, yaitu Naive Bayes, Logistic Regression, Support Vector Machine, Decision Tree, Random Forest, dan XGBoost. Model dengan performa terbaik kemudian dioptimasi menggunakan Optuna dan dievaluasi menggunakan metrik Accuracy, Precision, Recall, F1-Score, Area Under the Curve (AUC), serta 10-Fold Cross- Validation. Hasil penelitian menunjukkan bahwa model XGBoost yang telah dioptimasi menggunakan Optuna menghasilkan performa terbaik dengan nilai Accuracy sebesar 97,5%, Precision sebesar 100%, Recall sebesar 93,33%, F1- Score sebesar 96,55%, dan AUC sebesar 100%. Selain itu, interpretasi model menggunakan SHAP menunjukkan bahwa atribut hemoglobin, red blood cell count, serum creatinine, dan packed cell volume memiliki pengaruh terbesar terhadap proses klasifikasi CKD. Model yang dikembangkan menunjukkan kemampuan yang baik dalam mengklasifikasikan CKD serta dapat mendukung penerapan dalam analisis data kesehatan.

Item Type:	Technical Report (Pro-Step Report)
Creators:	Andriani Wijaya, Irene (00000088186)
Contributors:	Irmawati, Irmawati (0805097703)
Keywords:	Chronic Kidney Disease, machine learning, XGBoost, Optuna, SHAP
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	30 Jul 2026 14:58
URI:	https://kc.umn.ac.id/id/eprint/48909

Actions (login required)

View Item