REVOLUSI DIAGNOSIS: OPTIMASI RANDOM TREE-PSO UNTUK PENYAKIT GINJAL KRONIS

Authors

  • Sartini Universitas Bina Sarana Informatika
  • Sumarna Universitas Nusa Mandiri
  • Abdul Hamid Universitas Bina Sarana Informatika
  • Ahmad Hafidzul Kahfi Universitas Bina Sarana Informatika
  • Nicodias Palasara Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.36595/jire.v8i1.1542

Keywords:

Deteksi Dini, Particle Swarm Optimization, Penyakit Ginjal Kronis, Random Tree, Seleksi Fitur

Abstract

Penyakit ginjal kronis (PGK) merupakan salah satu masalah kesehatan serius yang memerlukan deteksi dini untuk mencegah komplikasi lebih lanjut dan meningkatkan kualitas hidup pasien. Penelitian ini bertujuan mengembangkan model prediksi PGK dalam upaya meningkatkan akurasi diagnosis dini PGK dengan dataset yang digunakan diperoleh dari UCI Repository. Metode yang dipakai berbasis algoritma Random Tree yang dioptimasi menggunakan Particle Swarm Optimization (PSO) yang berfungsi sebagai metode optimasi untuk meningkatkan kinerja model dengan kedalaman pohon dan jumlah atribut yang dipertimbangkan pada setiap pemisahan, untuk menemukan konfigurasi yang menghasilkan akurasi tertinggi. Proses pengembangan model mencakup tahap seleksi fitur, pelatihan model, dan evaluasi performa menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Tree yang dioptimasi PSO secara signifikan meningkatkan performa prediksi dibandingkan model baseline, dengan akurasi mencapai 94,25%. Optimalisasi ini juga mengurangi kompleksitas model tanpa mengorbankan akurasi. Temuan ini menunjukkan potensi penerapan model yang diusulkan untuk mendukung sistem pengambilan keputusan medis secara lebih efisien, terutama dalam deteksi dini PGK. Rekomendasi lebih lanjut mencakup integrasi model ini pada sistem berbasis teknologi di lingkungan klinis untuk mengurangi beban kerja tenaga medis.

References

A. Alaiad, H. Najadat, B. Mohsen, and K. Balhaf, “Classification and Association Rule Mining Technique for Predicting Chronic Kidney Disease,” J. Inf. Knowl. Manag., vol. 19, no. 1, 2020, doi: 10.1142/S0219649220400158.

J. Qin, L. Chen, Y. Liu, C. Liu, C. Feng, and B. Chen, “A machine learning methodology for diagnosing chronic kidney disease,” IEEE Access, vol. 8, pp. 20991–21002, 2020, doi: 10.1109/ACCESS.2019.2963053.

S. Rezayi, K. Maghooli, and S. Saeedi, “Applying Data Mining Approaches for Chronic Kidney Disease Diagnosis,” Int. J. Intell. Syst. Appl. Eng., 2021, doi: DOI: https://doi.org/10.18201/ijisae.2021473640.

R. Pramanik, S. Khare, and M. K. Gourisaria, “Inferring the Occurrence of Chronic Kidney Failure: A Data Mining Solution,” 2021, doi: https://doi.org/10.1007/978-981-16-3346-1_59.

E. M. Senan et al., “DiagnosisofChronicKidneyDiseaseUsingEffective Classification Algorithms and Recursive Feature Elimination Techniques,” J. Healthc. Eng., vol. 2021, 2021, doi: 10.1155/2021/1004767.

M. Hosseinzadeh et al., “A diagnostic prediction model for chronic kidney disease in internet of things platform,” Multimed. Tools Appl., vol. 80, no. 11, pp. 16933–16950, 2021, doi: 10.1007/s11042-020-09049-4.

G. Wijaya, “Improvement of Kernel SVM to Enhance Accuracy in Chronic Kidney Disease,” vol. 9, no. 1, pp. 136–144, 2024, doi: https://doi.org/10.33395/sinkron.v9i1.13112 e-ISSN.

W. Widiati, N. Iriadi, I. Ariyati, I. Nawawi, and Sugiono, “Pendekatan Hibrida Decision Tree-Particle Swarm Optimization untuk Deteksi Dini Penyakit Ginjal Kronis,” JASIEK (Jurnal Apl. Sains, Informasi, Elektron. dan Komputer), vol. 6, no. 1, pp. 11–21, 2024, doi: 10.26905/jasiek.v6i1.13006.

H. Nurdin, Suhardjono, A. Wuryanto, D. Yuliandari, and H. Sugiarto, “Naive Bayes and Particle Swarm Optimization in Early Detection Of Chronic Kidney Disease,” J. Tek. Inform., vol. 5, no. 3, pp. 703–708, 2024, doi: https://doi.org/10.52436/1.jutif.2024.5.3.1750.

S. Widodo, H. Brawijaya, and S. Samudi, “Building a Predictive Model for Chronic Kidney Disease: Integrating KNN and PSO,” Paradig. - J. Komput. dan Inform., vol. 26, no. 1, pp. 58–64, 2024, doi: 10.31294/p.v26i1.3282.

I. M. D. Priyatama and Ridwansyah, “Klasifikasi Anak Berkebutuhan Khusus Tunagrahita Menggunakan Metode Algoritma C4.5,” Paradigma, vol. 24, no. 1, pp. 90–95, 2022, doi: https://doi.org/10.31294/paradigma.v24i1.1087.

H. Nurdin, I. Carolina, R. L. Andharsaputri, A. Wuryanto, and Ridwansyah, “Forward Selection as a Feature Selection Method in the SVM Kernel for Student Graduation Data,” Sink. J. dan Penelit. Tek. Inform., vol. 8, no. October, pp. 2531–2537, 2024, doi: 10.33395/sinkron.v8i4.14172.

I. Ariyati, S. Rosyida, K. Ramanda, V. Riyanto, S. Faizah, and Ridwansyah, “Optimization of the Decision Tree Algorithm Used Particle Swarm Optimization in the Selection of Digital Payments,” in Journal of Physics: Conference Series, 2020, vol. 1641, no. 1, doi: 10.1088/1742-6596/1641/1/012090.

A. Hamid and Ridwansyah, “Optimizing Heart Failure Detection?: A Comparison between Naive Bayes and Particle Swarm Optimization,” Paradigma, vol. 26, no. 1, pp. 30–36, 2024, doi: https://doi.org/10.31294/p.v26i1.3284.

R. Darmawan, Y. H. Chrisnanto, and G. Abdillah, “KLASIFIKASI DIAGNOSA PENYAKIT TIROID MENGGUNAKAN METODE,” JIRE (Jurnal Inform. Rekayasa Elektron., vol. 7, no. 2, pp. 203–209, 2024.

C. M. Zakariya et al., “ANALISIS SENTIMEN TERKAIT PROGRAM KARTU PRAKERJA MENGGUNAKAN METODE K-NEAREST NEIGHBORS,” JIRE (Jurnal Inform. Rekayasa Elektron., vol. 7, no. 2, pp. 183–192, 2024.

S. H. Hassan and A. M. Abdulazeez, “A Review on Utilizing Data Mining Techniques for Chronic Kidney Disease Detection,” Indones. J. Comput. Sci., vol. 13, no. 3, pp. 4049–4066, 2024, doi: https://doi.org/10.33022/ijcs.v13i3.4062.

S. Rukiastiandari, Luthfia Rohimah, Aprillia, Chodidjah, and Fara Mutia, “Model Hibrida K-Nearest Neighbors Berbasis Genethic Algorithm untuk Prediksi Penyakit Ginjal Kronis,” Infotek J. Inform. dan Teknol., vol. 8, no. 1, pp. 44–55, 2025, doi: 10.29408/jit.v8i1.27918.

Ridwansyah, M. Iqbal, H. Destiana, Sugiono, and A. Hamid, “Data Mining Berbasis Machine Learning Untuk Analitik Prediktif Dalam Kelulusan,” semanTIK, vol. 10, no. 2, pp. 1–10, 2024, doi: https://doi.org/10.55679/semantik.v10i2.67.

R. Ridwansyah, G. Wijaya, and J. J. Purnama, “Hybrid Optimization Method Based on Genetic Algorithm for Graduates Students,” J. Pilar Nusa Mandiri, vol. 16, no. 1, pp. 53–58, 2020, doi: 10.33480/pilar.v16i1.1180.

M. Iqbal et al., “Implementation of Particle Swarm Optimization Based Machine Learning Algorithm for Student Performance Prediction,” JITK (Jurnal Ilmu Pengetah. Dan Teknol. Komputer), vol. 6, no. 2, pp. 195–204, 2020, doi: 10.33480/jitk.v6i2.1695.IMPLEMENTATION.

Downloads

Published

2025-04-15

How to Cite

1.
Sartini, Sumarna, Hamid A, Kahfi AH, Palasara N. REVOLUSI DIAGNOSIS: OPTIMASI RANDOM TREE-PSO UNTUK PENYAKIT GINJAL KRONIS. JIRE [Internet]. 2025 Apr. 15 [cited 2025 Jul. 11];8(1):149-58. Available from: https://www.e-journal.stmiklombok.ac.id/index.php/jire/article/view/1542