Identifikasi Penyakit Ginjal Kronis Menggunakan Algoritma K-Nearest Neighbour (k-NN)

Authors

  • Rinci Kembang Hapsari Institut Teknologi Adhi Tama Surabaya
  • Allan Krisnanta Wijaya Institut Teknologi Adhi Tama Surabaya
  • Rahimatus Syifa Institut Teknologi Adhi Tama Surabaya
  • Ilyasa Nanda Rahmadianto Institut Teknologi Adhi Tama Surabaya

Keywords:

Penyakit Ginjal Kronis, K-Nearest Neighbor, KNN, Klasifikasi

Abstract

Indonesia sekarang dihadapkan pada berbagai persoalan terutama kesehatan yang lazim seperti di negara maju maupun di negara berkembang lainnya yaitu penyakit-penyakit kronis. Hal ini akibat proses degeneratif dan perubahan gaya hidup. Penyakit tersebut, antara lain seperti gagal ginjal kronis, hipertensi, diabetes mellitus, penyakit jantung koroner, stroke, dan sebagainya. Ginjal kronis adalah keadaan dimana penurunan progresif atau fungsi ginjal menurun secara bertahap dalam beberapa bulan atau tahun akibat kerusakan jaringan ginjal. Tujuan dari penelitian ini adalah mengidentifikasi penyakit ginjal kronis. Perkembangan data mining telah banyak digunakan dalam bidang Kesehatan. Dalam penelitian ini menggunakan konsep klasifikasi dalam data mining. Algoritma klasifikasi yang digunakan untuk proses identifikasi penyakit ginjal kronis dalam penelitian ini adalah algoritma k-Nearest Neighbor (k-NN). Proses algoritma k-NN berdasarkan jarak terdekat antara data latih dan data uji. Klasifikasi k-NN sangat tergantung pada value k yang merupakan penentu jarak terdekat. Kinerja algoritma k-NN sangat bergantung juga pada kualitas data yang digunakan. Dataset penelitian ini merupakan data sekunder yang diunduh dari Kaggle.com. Dataset dengan judul Chronic Kidney Disease. Performa sistem diuji dengan dengan menggunakan konsep 5-fold validasi, Dimana data latih dibagi menjadi 5 subset yang sama ukurannya. Selama proses validasi, satu fold digunakan sebagai data validasi, sementara sisanya digunakan sebagai data latih. Dari pengujian sebanyak 5 kali yang telah dilakukan, perhitungan metode k-NN ini didapatkan hasil terbaik yakni Akurasi 63,33%, Spesifisitas 66,11%, Sensitivitas 60,89%.

References

[[1] A. Ariani and Samsuryadi, “Klasifikasi Penyakit Ginjal Kronis menggunakan K-Nearest Neighbor,” Pros. Annu. Res. Semin. 2019, vol. 5, no. 1, pp. 148–151, 2019.

H. Henderi, “Comparison of Min-Max normalization and Z-Score Normalization in the K-nearest neighbor (kNN) Algorithm to Test the Accuracy of Types of Breast Cancer,” IJIIS Int. J. Informatics Inf. Syst., vol. 4, no. 1, pp. 13–20, 2021, doi: 10.47738/ijiis.v4i1.73.

S. Ribaric and I. Fratric, “Experimental evaluation of matching-score normalization techniques on different multimodal biometric systems,” Proc. Mediterr. Electrotech. Conf. - MELECON, vol. 2006, pp. 498–501, 2006, doi: 10.1109/melcon.2006.1653147.

K. Moon and A. Jetawat, “Predicting Lung Cancer with K-Nearest Neighbors (KNN): A Computational Approach,” Indian J. Sci. Technol., vol. 17, no. 21, pp. 2199–2206, 2024, doi: 10.17485/ijst/v17i21.1192.

M. Firdaus, “KNN Machine Learning Architecture for Pneumonia Chest X- Ray Clustering KNN Machine Learning Architecture for Pneumonia Chest X- Ray Clustering,” no. June, 2024, doi: 10.26418/telectrical.v2i1.78604.

S. G. K. Patro and K. K. sahu, “Normalization: A Preprocessing Stage,” Iarjset, no. March, pp. 20–22, 2015, doi: 10.17148/iarjset.2015.2305.

A. S. M. Al-rawahnaa, A. Yahya, and B. Al, “Data mining for Education Sector , a proposed concept,” JournalofAppliedDataSciss, vol. 1, no. 1, pp. 1–10, 2020.

R. K. Hapsari, A. H. Salim, B. D. Meilani, T. Indriyani, and A. Rachman, “Comparison of the Normalization Method of Data in Classifying Brain Tumors with the k-NN Algorithm,” in The 2nd International Conference on Neural Networks and Machine Learning, Atlantis Press International BV, 2023, pp. 21–29. doi: 10.2991/978-94-6463-174-6_3.

A. Rachmad, R. K. Hapsari, W. Setiawan, T. Indriyani, E. M. S. Rochman, and B. D. Satoto, Classification of Tobacco Leaf Quality Using Feature Extraction of Gray Level Co-occurrence Matrix (GLCM) and K-Nearest Neighbor (K-NN), vol. 1. Atlantis Press International BV, 2023. doi: 10.2991/978-94-6463-174-6_4.

A. Deviyanto and M. D. R. Wahyudi, “Penerapan Analisis Sentimen Pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 3, no. 1, p. 1, 2018, doi: 10.14421/jiska.2018.31-01.

A. Salam, J. Zeniarja, and R. S. U. Khasanah, “Analisis Sentimen Data Komentar Sosial Media Facebook Dengan K-Nearest Neighbor (Studi Kasus Pada Akun Jasa Ekspedisi Barang J&T Ekpress Indonesia),” Pros. SINTAK, pp. 480–486, 2018.

W. Yunus, “Algoritma K-Nearest Neighbor Berbasis Particle Swarm Optimization Untuk Prediksi Penyakit Ginjal Kronik,” J. Tek. Elektro CosPhi, vol. 2, no. 2, pp. 51–55, 2018.

L. Farokhah, “Implementasi K-Nearest Neighbor untuk Klasifikasi Bunga Dengan Ekstraksi Fitur Warna RGB,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, p. 1129, 2020, doi: 10.25126/jtiik.2020722608.

M. Safaat, A. Sahari, and D. Lusiyanti, “Implementasi Metode K-Nearest Neighbor Untuk Mengklasifikasi Jenis Penyakit Katarak,” J. Ilm. Mat. Dan Terap., vol. 17, no. 1, pp. 92–99, 2020, doi: 10.22487/2540766x.2020.v17.i1.15184.

M. Reza Noviansyah, T. Rismawan, D. Marisa Midyanti, J. Sistem Komputer, and F. H. MIPA Universitas Tanjungpura Jl Hadari Nawawi, “Penerapan Data Mining Menggunakan Metode K-Nearest Neighbor Untuk Klasifikasi Indeks Cuaca Kebakaran Berdasarkan Data Aws (Automatic Weather Station) (Studi Kasus: Kabupaten Kubu Raya),” J. Coding, Sist. Komput. Untan, vol. 06, no. 2, pp. 48–56, 2018.

W. W. Pribadi, A. Yunus, and A. Sartika Wiguna, “Perbandingan Metode K-Means Euclidean Distance Dan Manhattan Distance Pada Penentuan Zonasi Covid-19 Di Kabupaten Malang,” J. Mhs. Tek. Inform., vol. 6, no. 2, pp. 493–500, 2022.

R. R. Waliyansyah and C. Fitriyah, “Perbandingan Akurasi Klasifikasi Citra Kayu Jati Menggunakan Metode Naive Bayes dan k-Nearest Neighbor (k-NN),” J. Edukasi dan Penelit. Inform., vol. 5, no. 2, p. 157, 2019, doi: 10.26418/jp.v5i2.32473.

D. Cahyanti, A. Rahmayani, and S. A. Husniar, “Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” Indones. J. Data Sci., vol. 1, no. 2, pp. 39–43, 2020, doi: 10.33096/ijodas.v1i2.13.

R. K. Hapsari, M. Miswanto, R. Rulaningtyas, H. Suprajitno, and G. H. Seng, “Modified Gray-Level Haralick Texture Features for Early Detection of Diabetes Mellitus and High Cholesterol with Iris Image,” Int. J. Biomed. Imaging, vol. 2022, 2022, doi: https://doi.org/10.1155/2022/5336373.

R. K. Hapsari, M. Miswanto, R. Rulaningtyas, and H. Suprajitno, “Identification of Diabetes Mellitus and High Cholesterol Based on Iris Image,” J. Hunan Univ. (Natural Sci., vol. 48, no. 10, pp. 151–160, 2021.

I. W. Gamadarenda and I. Waspada, “Implementasi Data Mining untuk Deteksi Penyakit Ginjal Kronis (PGK) menggunakan K-Nearest Neighbor (KNN) dengan Backward Elimination,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 2, p. 417, 2020, doi: 10.25126/jtiik.2020721896.

Downloads

Published

2024-09-05

How to Cite

Hapsari, R. K., Wijaya, A. K. ., Syifa, R., & Rahmadianto, I. N. . (2024). Identifikasi Penyakit Ginjal Kronis Menggunakan Algoritma K-Nearest Neighbour (k-NN) . Prosiding Seminar Nasional Informatika Bela Negara, 4, 361–365. Retrieved from https://santika.upnjatim.ac.id/submissions/index.php/santika/article/view/504

Issue

Section

Articles

Most read articles by the same author(s)

Obs.: This plugin requires at least one statistics/report plugin to be enabled. If your statistics plugins provide more than one metric then please also select a main metric on the admin's site settings page and/or on the journal manager's settings pages.