KLASIFIKASI PENYAKIT GINJAL KRONIS MENGGUNAKAN INFORMATION GAIN DAN LVQ
DOI:
https://doi.org/10.24076/joism.2025v7i1.2102Keywords:
Ginjal Kronis, Information Gain, LVQ, KlasifikasiAbstract
Penyakit Ginjal Kronis (PGK) terjadi ketika fungsi ginjal menurun secara bertahap selama lebih dari tiga bulan tanpa penyebab yang jelas. Penelitian ini bertujuan mengklasifikasikan PGK dengan menggunakan seleksi fitur Information Gain dan Learning Vector Quantization (LVQ). Dataset yang digunakan terdiri dari 1659 data dengan 53 atribut. Proses penelitian meliputi preprocessing data, penerapan SMOTE Oversampling, seleksi fitur Information Gain, dan penerapan model LVQ. Pengujian menghasilkan akurasi tertinggi sebesar 93,37% tanpa seleksi fitur, serta 36 fitur terpilih dengan threshold 0,3 setelah seleksi fitur. Learning rate digunakan antara 0,1 hingga 0,9, min learning rate 0,001, dan pengurangan alpha 0,1. Penggunaan SMOTE dan LVQ meningkatkan nilai presisi, recall, dan f1 score, tetapi akurasi menurun menjadi 84,59%. Hasil ini menunjukkan bahwa metode LVQ efektif dalam klasifikasi penyakit ginjal kronis, membantu ahli identifikasi penyakit ginjal kronis menggunakan data mining dan Jaringan Syaraf Tiruan.
References
[1] T. Arifin and D. Ariesta, “Prediksi Penyakit Ginjal Kronis Menggunakan Algoritma Naive Bayes Classifier Berbasis Particle Swarm Optimization,” J. Tekno Insentif, vol. 13, no. 1, pp. 26–30, 2019, doi: 10.36787/jti.v13i1.97.
[2] A. Ariani, K. Kunci-Penyakit, and G. Kronis, “Klasifikasi Penyakit Ginjal Kronis menggunakan K-Nearest Neighbor,” Pros. Annu. Res. Semin., vol. 5, no. 1, pp. 148–151, 2019, [Online]. Available: http://archive.ics.uci.edu/ml/datasets/Chronic_Kidney_Dise
[3] C. P. Kovesdy, “Epidemiology of chronic kidney disease: an update 2022,” Kidney Int. Suppl., vol. 12, no. 1, pp. 7–11, 2022, doi: 10.1016/j.kisu.2021.11.003.
[4] V. K. Gliselda, “Diagnosis dan Manajemen Penyakit Ginjal Kronis (PGK),” J. Med. Hutama, vol. 2, no. 04 Juli, pp. 1135–1141, 2021.
[5] R. Novita Sari, W. Saptha Negoro, R. Perangkat Lunak, and U. Potensi Utama, “Jaringan Syaraf Tiruan Dengan Learning Vector Quantization (Lvq) Untuk Klasifikasi Daun Artificial Neural Network Using Learning Vector Quantization (Lvq) for Leaf Classification,” vol. 16, no. 1, pp. 25–34, 2024.
[6] Q. A’yuniyah et al., “Implementasi Algoritma Naïve Bayes Classifier (NBC) untuk Klasifikasi Penyakit Ginjal Kronik,” J. Sist. Komput. dan Inform., vol. 4, no. 1, p. 72, 2022, doi: 10.30865/json.v4i1.4781.
[7] S. N. Chotimah and A. R. Rozzaqi, “Klasifikasi Diagnosis Penyakit Ginjal Kronis Dengan Menerapkan Konsep Algoritma Naïve Bayes,” JIPETIKJurnal Ilm. Penelit. Teknol. Inf. Komput., vol. 4, no. 1, pp. 8–15, 2023, doi: 10.26877/jipetik.v4i1.16174.
[8] A. R. Aziz, B. Warsito, and A. Prahutama, “Pengaruh Transformasi Data Pada Metode Learning Vector Quantization Terhadap Akurasi Klasifikasi Diagnosis Penyakit Jantung,” J. Gaussian, vol. 10, no. 1, pp. 21–30, 2021, doi: 10.14710/j.gauss.v10i1.30933.
[9] E. Setyowati and S. Mariani, “Penerapan Jaringan Syaraf Tiruan dengan Metode Learning Vector Quantization ( LVQ ) untuk Klasifikasi Penyakit Infeksi Saluran Pernapasan Akut ( ISPA ),” Prism. Pros. Semin. Nas. Mat., vol. 4, pp. 514–523, 2021, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/article/view/44356
[10] F. Tawakal and A. Azkiya, “Diagnosa Penyakit Demam Berdarah Dengue (DBD) menggunakan Metode Learning Vector Quantization (LVQ),” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 4, no. 3, p. 56, 2020, doi: 10.14421/jiska.2020.43-07.
[11] R. Tantiati, M. T. Furqon, and C. Dewi, “Implementasi Metode Learning Vector Quantization (LVQ) untuk Klasifikasi Persalinan,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 10, pp. 9701–9707, 2019.
[12] N. T. Romadloni and Hilman F Pardede, “Seleksi Fitur Berbasis Pearson Correlation Untuk Optimasi Opinion Mining Review Pelanggan,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 3, pp. 505–510, 2019, doi: 10.29207/resti.v3i3.1189.
[13] M. Ramanda Hasibuan and Marjin, “Pemilihan Fitur dengan Information Gain untuk Klasifikasi Penyakit Gagal Ginjal menggunakan Metode Modified K-Nearest Neighbor (MKNN),” J. Pengemb. Teknol. Inf. dam Ilmu Komput., vol. 3, no. 11, pp. 3659–875, 2019, [Online]. Available: http://j-ptiik.ub.ac.id
[14] G. DAMAYANTI, “Penerapan Metode Learning Vector Quantization (Lvq) Untuk Mengidentifikasi Penyakit Mata Merah Visus Normal,” Repository.Unsri.Ac.Id, 2022, [Online]. Available: https://repository.unsri.ac.id/75458/66/RAMA_55201_09021281722039_0001108401_0203128701_01_front_ref.pdf
[15] B. S. Prakoso, D. Rosiyadi, H. S. Utama, and D. Aridarma, “Klasifikasi Berita Menggunakan Algoritma Naive Bayes Classifer Dengan Seleksi Fitur Dan Boosting,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 2, pp. 227–232, 2019, doi: 10.29207/resti.v3i2.1042.
[16] M. Melisa, “Implementasi Learning Vector Quantization (LVQ) Dalam Mengidentifikasi Gula Aren Asli dengan Gula Aren Campuran,” Sci-Tech J., vol. 1, no. 1, pp. 39–51, 2022, doi: 10.56709/stj.v1i1.18.
[17] A. A. Arifiyanti and E. D. Wahyuni, “Smote: Metode Penyeimbang Kelas Pada Klasifikasi Data Mining,” SCAN - J. Teknol. Inf. dan Komun., vol. 15, no. 1, pp. 34–39, 2020, doi: 10.33005/scan.v15i1.1850.
[18] I. Setiawati, A. P. Wibowo, and A. Hermawan, “Pendahuluan Tinjauan Pustaka Penelitian Sebelumnya Klasifikasi,” J. Inf. Syst. Manag., vol. 1, no. 1, pp. 13–17, 2019.
[19] D. S. Atmaja, Y. A. Sari, and R. C. Wihandika, “Seleksi Fitur Information Gain pada Klasifikasi Citra Makanan Menggunakan Ekstraksi Fitur Haralick dan YUV Color Moment,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 2, pp. 1917–1924, 2019.
[20] S. Murni, D. Widiyanto, and C. N. P. Dewi, “Klasifikasi Citra Penyakit Daun Kopi Arabika Menggunakan Support Vector Machine (SVM) Dengan Seleksi Fitur Information Gain,” Semin. Nas. Mhs. Ilmu Komput. dan Apl., pp. 700–709, 2022.
[21] M. Sari, A. C. Nurcahyo, C. Cahyaningtyas, and E. M. Salfarini, “Pengenalan Pola Aksara Dunging Kalbar menggunakan Metode Learning Vector Quantization (Lvq),” J. Inf. Technol., vol. 4, no. 1, pp. 143–149, 2024, doi: 10.46229/jifotech.v4i1.874.
[22] B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix,” J. Inform. Upgris, vol. 6, no. 2, pp. 66–75, 2021, doi: 10.26877/jiu.v6i2.6552.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Journal of Information System Management (JOISM)
This work is licensed under a Creative Commons Attribution 4.0 International License.
