KLASIFIKASI PENYAKIT GAGAL GINJAL KRONIS DENGAN METODE KNN (STUDI KASUS RS DI KAB GRESIK)
Abstract
ABSTRAK
Gagal ginjal kronis adalah serangkaian gejala yang muncul secara bertahap seiring berjalannya waktu akibat menurunnya fungsi ginjal. Ringan, sedang, dan berat adalah tiga tahap gagal ginjal kronis. Jika gagal ginjal stadium akhir tidak mendapat pengobatan pengganti maka dapat menyebabkan kematian. Organisasi Kesehatan Dunia (WHO) memperkirakan setiap tahunnya, sebanyak 65-200 orang terdiagnosis Gagal Ginjal Kronis, dengan perbandingan mencapai satu juta jiwa. Frekuensi GGK di Indonesia banyak terdapat pada usia 65-74 tahun dengan persentase sebesar 8,23 dan sebagian besar adalah laki-laki, yaitu sebesar 4,17 dan pada usia produktif hanya sebesar 0,2 persen. Dengan memahami tingkat kerusakan ginjal, dokter dapat mengambil keputusan pengobatan yang tepat bagi pasien sesuai kondisinya. Penderita gagal ginjal kronik akan mendapat pengobatan yang sesuai berdasarkan tingkat stadium penyakitnya agar memperlambat turunnya fungsi ginjal, dari saat kondisi tertentu diperlukan dialysis dan transplantasi ginjal. Dengan sistem klasifikasi diagnosis penyakit, dokter dapat terbantu menentukan stadium pasien gagal ginjal kronik. Informasi ini mampu memberikan tambahan dokter untuk mendiagnosis penyakit gagal ginjal kronik pada pasien serta dapat menentukan seberapa parah penyakit pasien yang menjalani pengobatan. Penggunaan metode K Nearest Neighbor dapat disimpulkan bahwa pengujian dengan 5 data uji mendapatkan hasil akurasi sebesar 90% dan tingkat kesalahan sebesar 10% didapat dari K ganjil dan genap yang telah ditentukan.
Kata Kunci: Gagal ginjal kronis, KNearest Neighbor, Sistem klasifikasi.
ABSTRACT
Chronic renal failure is a series of symptoms that appear gradually over time due to decreased kidney function. Mild, moderate and severe are the three stages of chronic renal failure. If end-stage renal failure does not receive replacement treatment, it can lead to death. The World Health Organization (WHO) estimates that every year, as many as 65-200 people are diagnosed with Chronic Renal Failure, with the ratio reaching one million people. The frequency of CKD in Indonesia is mostly found in the age of 65-74 years with a percentage of 8.23 and most of them are male, which is 4.17 and in produc-tive age only 0.2 percent. By understanding the level of kidney damage, doctors can make the right treatment decisions for patients according to their conditions. Patients with chronic kidney failure will receive appropriate treatment based on the stage of the disease in order to slow down the decline in kidney function and at certain stages dialysis and kidney transplantation are required. With the disease diagnosis classification system, doctors can be helped to determine the stage of chronic renal failure patients. This information can provide additional doctors to diagnose chronic renal failure in patients and can determine how severe the patient's disease is undergoing treatment. The use of the K Nearest Neighbor method can be concluded that testing with 5 test data results in an accuracy of 90% and an error rate of 10% of the odd and even K that has been determined.
Keywords: Chronic kidney failure, KNearest Neighbor, Classification system
Keywords
Full Text:
PDFArticle Metrics :
References
DAFTAR PUSTAKA
A. Sembiring and A. Gunaryati, “Sistem Pakar Berbasis Mobile Untuk Diagnosis Penyakit Ginjal Menggunakan Metode Forward Chaining,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 6, no. 1, pp. 139–148, 2021.
G. Mait, M. Nurmansyah, and H. Bidjuni, “Gambaran Adaptasi Fisiologis Dan Psikologis Pada Pasien Gagal Ginjal Kronis Yang Menjalani Hemodialisis Di Kota Manado,” J. Keperawatan, vol. 9, no. 2, pp. 1–6, 2021.
A. S. Tofanny et al., “Edukasi Pencegahan Gagal Ginjal Sejak Dini Bersama Warga Dusun Juwet, Desa Wringinanom, Kecamatan Wringinanom, Gresik,” in Prosiding Seminar Nasional Pengabdian Masyarakat Universitas Ma Chung, 2022, vol. 2, pp. 264–271.
A. S. Siwi, “Kualitas hidup pasien gagal ginjal kronik yang menjalani terapi hemodialisa,” J. Keperawatan Muhammadiyah Bengkulu, vol. 9, no. 2, pp. 1–9, 2021.
S. Batubara, P. Tarigan, and I. Chantika, “MONITORING DAN EVALUASI PENGGUNAAN OBAT PADA PASIEN TERAPI GAGAL GINJAL KRONIK DI RUMAH SAKIT UMUM SEMBIRING DELI TUA,” J. Deli Med. Heal. Sci., vol. 1, no. 1, pp. 1–9, 2023.
D. Santoso, S. Sawiji, H. Oktantri, and C. Septiwi, “Faktor-Faktor Yang Berhubungan Dengan Fatigue Pada Pasien Gagal Ginjal Kronik Yang Menjalani Hemodialisa Di Rsud Dr. Soedirman Kebumen,” J. Ilm. Kesehat. Keperawatan, vol. 18, no. 1, pp. 60–70, 2022.
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.
S. Sahar, “Analisis Perbandingan Metode K-Nearest Neighbor dan Naïve Bayes Clasiffier Pada Dataset Penderita Penyakit Jantung,” Indones. J. Data Sci., vol. 1, no. 3, pp. 79–86, 2020.
W. D. Prasetya and B. Sujatmiko, “Rancang Bangun Aplikasi dengan Perbandingan Metode K-Nearest Neighbor (KNN) dan Naive Bayes dalam Klasifikasi Penderita Penyakit Diabetes,” J. Informatics Comput. Sci., vol. 3, no. 04, pp. 515–525, 2022.
R. Nurfajri and I. TriUtami, “PERBANDINGAN ANALISIS DISKRIMINAN DAN K-NEAREST NEIGHBOR (KNN) UNTUK MENGKLASIFIKASIKAN PENDERITA PENYAKIT TUBERKULOSIS (TB).”
M. S. Mustafa and I. W. Simpen, “Implementasi Algoritma K-Nearest Neighbor (KNN) Untuk Memprediksi Pasien Terkena Penyakit Diabetes Pada Puskesmas Manyampa Kabupaten Bulukumba,” in SISITI: Seminar Ilmiah Sistem Informasi dan Teknologi Informasi, 2019, vol. 8, no. 1.
R. G. Whendasmoro and J. Joseph, “Analisis Penerapan Normalisasi Data Dengan Menggunakan Z-Score Pada Kinerja Algoritma K-NN,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 4, pp. 872–876, 2022.
R. Amilia and E. Prasetyo, “Klasifikasi Diagnosa Penyakit Demam Berdarah Dengue pada Anak Menggunakan Metode K-Nearest Neighbor Studi Kasus Rumah Sakit PKU Muhammadiyah Ujung Pangkah Gresik,” Indexia Informatics Comput. Intell. J., vol. 2, no. 2, 2021.
A. O. P. Dewi, “Big Data di Perpustakaan dengan Memanfaatkan Data Mining,” Anuva J. Kaji. Budaya, Perpustakaan, dan Inf., vol. 4, no. 2, pp. 223–230, 2020.
D. P. Utomo and M. Mesran, “Analisis komparasi metode klasifikasi data mining dan reduksi atribut pada data set penyakit jantung,” J. Media Inform. Budidarma, vol. 4, no. 2, pp. 437–444, 2020.
I. Romli and A. T. Zy, “Penentuan jadwal overtime dengan klasifikasi data karyawan menggunakan algoritma C4. 5,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 4, no. 2, pp. 694–702, 2020.
M. Syukri Mustafa and I. Wayan Simpen, “Implementasi Algoritma K-Nearest Neighbor (KNN) Untuk Memprediksi Pasien Terkena Penyakit Diabetes Pada Puskesmas Manyampa Kabupaten Bulukumba. SISITI: Seminar Ilmiah Sistem Informasi Dan Teknologi Informasi, 8 (1), 1–10.” 2019.
S. A. Fitria, H. O. L. Wijaya, and D. Irawan, “Data Mining Classification Untuk Prediksi Jumlah Mahasiswa Aktif dan Cuti Angkatan 2020 Menggunakan Metode K-Nearest Neighbor,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 5, pp. 2637–2645, 2024.
S. P. Dewi, N. Nurwati, and E. Rahayu, “Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor,” Build. Informatics, Technol. Sci., vol. 3, no. 4, pp. 639–648, 2022.
N. K. I. Setiawati and I. G. A. Wibawa, “Penerapan Algoritma K-Nearest Neighbor dalam Klasifikasi Penyakit Gagal Jantung.”