ANALISIS DAN PENGEMBANGAN SISTEM PREDIKSI PENYAKIT GINJAL KRONIS MENGGUNAKAN METODE MACHINE LEARNING

Penyakit ginjal kronis (PGK) merupakan masalah kesehatan global dengan prevalensi yang terus meningkat, terutama disebabkan oleh faktor risiko seperti diabetes dan hipertensi. Deteksi dini PGK sangat penting untuk mencegah
progresivitas penyakit, namun seringkali terkendala oleh keterbatasan metode skrining yang akurat. Penelitian ini memprediksi penyakit ginjal kronis menggunakan tiga algoritma machine learning yaitu, Random Forest, Extreme
Gradient Boosting (XGBoost), dan Logistic Regression, serta
mengimplementasikan algoritma dengan performa terbaik ke dalam sistem berbasis web. Dataset yang digunakan berasal dari UCI Machine Learning Repository dengan 400 rekam medis pasien. Tahapan penelitian meliputi preprocessing data, pembagian data (train-test split), pelatihan model, dan evaluasi menggunakan metrik akurasi, presisi, recall, serta F1-score. Hasil evaluasi menunjukkan Random Forest sebagai algoritma terbaik dengan akurasi 97,50%, presisi 100%, recall
93,33%, dan F1-score 96,55%. Sistem untuk prediksi dikembangkan menggunakan framework streamlit dengan memanfaatkan model terbaik sebagai dasar prediksi,
memfasilitasi input data klinis dan menampilkan hasil secara real-time. Pengujian sistem dengan black-box testing membuktikan fungsionalitas sistem berjalan optimal dengan antarmuka yang responsif. Penelitian ini memberikan kontribusi dalam pengembangan alat bantu diagnosis dini PGK berbasis machine learning yang akurat dan mudah diakses.