<![CDATA[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.]]>
Copyrights © 2025
