Analisis Perbandingan Algoritma Logistic Regression, Random Forest, Gradient Boosting, dan Support Vector Machine untuk Deteksi Penyakit Ginjal Kronis

Geraldy Septian Wong, Daniel (2026) Analisis Perbandingan Algoritma Logistic Regression, Random Forest, Gradient Boosting, dan Support Vector Machine untuk Deteksi Penyakit Ginjal Kronis. Pro-Step Report, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (515kB)
	PDF BAB_I.pdf Download (318kB)
	PDF BAB_II.pdf Download (915kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (855kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (277kB)
	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

Penyakit Ginjal Kronis (Chronic Kidney Disease/CKD) merupakan salah satu penyakit kronis dengan tingkat prevalensi yang tinggi dan sering tidak terdeteksi pada tahap awal. Kondisi ini menyebabkan banyak pasien baru memperoleh diagnosis ketika penyakit telah memasuki stadium lanjut sehingga meningkatkan risiko komplikasi dan beban biaya kesehatan. Penelitian ini bertujuan untuk membandingkan performa algoritma Logistic Regression, Random Forest, Gradient Boosting, dan Support Vector Machine (SVM) dalam mendeteksi CKD menggunakan dataset NHANES 2021�2023. Dataset yang digunakan terdiri atas 11.933 observasi dengan 29 variabel yang mencakup karakteristik demografis, antropometri, riwayat kesehatan, dan hasil pemeriksaan laboratorium. Tahap penelitian meliputi data understanding, data preprocessing, seleksi fitur menggunakan kombinasi metode ANOVA, Mutual Information, dan Random Forest Feature Importance, serta pemodelan menggunakan Stratified 5-Fold Cross Validation. Hasil penelitian menunjukkan bahwa algoritma Gradient Boosting memberikan performa terbaik dengan nilai AUC-ROC sebesar 0,9592, F1-score sebesar 0,9207, precision sebesar 0,9451, recall sebesar 0,8975, dan accuracy sebesar 0,8919 pada data uji. Temuan ini menunjukkan bahwa pendekatan ensemble berbasis Gradient Boosting memiliki kemampuan yang sangat baik dalam mendeteksi CKD dan berpotensi mendukung proses skrining dini penyakit ginjal kronis secara lebih efektif.

Item Type:	Technical Report (Pro-Step Report)
Creators:	Geraldy Septian Wong, Daniel (00000104154)
Contributors:	Irmawati, Irmawati (0805097703)
Keywords:	Chronic Kidney Disease, Machine learning, Gradient Boosting, Klasifikasi, Deteksi Dini
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:	14 Sep 2026 14:57
URI:	https://kc.umn.ac.id/id/eprint/49435

Actions (login required)

View Item