<![CDATA[Di negara maju angka penderita gangguan gagal ginjal kronik ini tergolong cukup tinggi hingga tahun 2005 di perkirakan sebanyak 36 juta orang warga meninggal dunia akibat penyakit gagal ginjal kronik. Menurut WHO penyakit gagal ginjal dan saluran kemih telah menyumbang 850.000 kematian setiap tahunnya. Klasifikasi data mining diperlukan untuk mempermudah identifikasi penyakit, salah satu algoritma yang sering digunakan yaitu K-NN. Metode klasifikasi dan prediksi data mining yang diuji dalam penelitian ini yaitu K-Nearest Neighbor (k-NN) yang dioptimasi menggunakan metode Particle Swarm Optimization (PSO) untuk memperoleh nilai akurasi, presisi, dan sensitifitas yang lebih tinggi. Dataset yang digunakan CHRONIC_KIDNEY_DISEASE yang diperoleh dari UCI. Setelah dilakukan pengujian diperoleh hasil bahwa dengan optimasi menggunakan PSO yang diterapkan pada metode k-NN, nilai akurasi, presisisi, dapat meningkat cukup signifikan sehingga metode ini dapat diimplementasikan dalam mengklasifikasi dan memprediksi penyakit ginjal kronik. Dari hasil penelitian ini, diperoleh model terbaik pada K-Nearest Neighbor pada parameter K = 1, dengan tingkat akurasi tertinggi yaitu 78.75 %, Sedangkan dengan menambahkan metode PSO didapatkan hasil dengan tingkat akurasi 97.25 %. Dari Tingkat akurasi yang diperoleh, metode K-NN+PSO terbukti lebih baik digunakan untuk memprediksi penyakit ginjal kronik]]>
Copyrights © 2018
