Text

Implementasi Data Mining Untuk Deteksi Penyakit Ginjal Kronis (PGK) Menggunakan K-NearestNeighbor (KNN) Dengan Backward Elimination

---

ABSTRAK

Penyakit ginjal kronis (PGK) merupakan masalah kesehatan publik di seluruh dunia
dengan insiden yang terus meningkat. Penyakit gagal ginjal bisa dicegah, ditanggulangi, dan
kemungkinan mendapatkan terapi yang efektif akan lebih besar jika diketahui lebih awal.
Perawatan PGK merupakan ranking kedua pembiayaan terbesar dari BPJS kesehatan setelah
penyakit jantung. Dalam Deteksi PGK memerlukan banyak atribut sehingga membutuhkan
biaya yang cukup mahal. Sehingga tujuan penelitian adalah untuk membuat sebuah sistem
berbasis web yang memudahkan dalam melakukan Deteksi PGK dengan mengurangi jumlah
atribut yang harus dimasukkan, sehingga dapat menekan biaya tes laboratorium. Proses
penelitian ini menggunakan sebuah rangka kerja data mining Knowledge Data Discovery
(KDD). Dalam skenario rangka kerja yang digunakan, seleksi atribut tersebut dilakukan
dengan menggunakan Algoritma Backward Elimination, dan untuk klasifikasi data penyakit
ginjal kronis menggunakan Algoritma k-Nearest Neighbor. Berdasarkan hasil pengujian
yang dilakukan menunjukkan bahwa dengan seleksi atribut Backward Elimination masih
menghasilkan akurasi yang sama baiknya dengan seluruh atribut. Hasil rekomendasi
pemodelan data mining dari sistem yang dibuat menggunakan Backward Elimination (α =
0,05) dan kNN (k = 3) dengan pertimbangan penurunan biaya pemeriksaan dan sensitivity
tertinggi. Seleksi atribut menghasilkan 10 atribut yang terpilih dari 24 atribut awal yang
digunakan, yaitu: berat jenis (sg), albumin (al), urea darah (bu), kreatinin serum (sc), sodium
(sod), hemoglobin (hemo), sel darah merah (rbc), hipertensi (htn), diabetes mellitus (dm),
dan nafsu makan (appet) dengan nilai akurasi sebesar 99,25%, sensitivity sebesar 99,5%,
specificity sebesar 98,745% dan penekanan biaya pemeriksaan hingga 73,36%.
Kata Kunci: Deteksi Penyakit Ginjal Kronis, Algoritma k-Nearest Neighbor, Seleksi
Atribut, Algoritma Backward Elimination

ABSTRACT

Chronic kidney disease (CKD) is a public health problem throughout the world with
increasing incidence. Kidney failure can be prevented, overcome, and the possibility of
getting effective therapy will be greater if it is known earlier. CKD care is the second largest
ranking of funding from health BPJS after heart disease. In CKD Detection, it requires a lot
of attributes so that it requires quite expensive costs. The purpose of the study is to create a
web-based system that makes it easier to do CKD Detection by reducing the number of
attributes that must be entered, so as to reduce the cost of laboratory tests. The process of
this research uses a Knowledge Data Discovery (KDD) data mining framework. In the
framework used, attribute selection is done using the Backward Elimination Algorithm, and
for classification of chronic kidney disease data using the k-Nearest Neighbor Algorithm.
Based on the results of tests conducted, it shows that the Backward Elimination attribute
selection still produces accuracy that is as good as all attributes. The results of data mining
modeling recommendations from the system are made using Backward Elimination (α =
0.05) and kNN (k = 3) considering the highest reduction in inspection and sensitivity costs.
Attribute selection produces 10 attributes selected from the 24 initial attributes used, namely:
specific gravity (sg), albumin (al), blood urea (bu), serum creatinine (sc), sodium (sod),
hemoglobin (hemo), cell red blood (rbc), hypertension (htn), diabetes mellitus (dm), and
appetite (appetite) with an accuracy value of 99.25%, sensitivity of 99.5%, specificity of
98.745% and emphasis on examination costs up to 73,36%.
Keywords: Detection of Chronic Kidney Disease, k-Nearest Neighbor Algorithm, Attribute
Selection, Backward Elimination Algorithm.

---

Ketersediaan

721F19II

721 F 19

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

721 F 19

Penerbit

: ., 2019

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

300.723

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Ikhsan Wisnuadji Gamadarenda

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar