<![CDATA[Deteksi dini penyakit ginjal sangat penting untuk menurunkan risiko komplikasi dan meningkatkan prognosis pasien. Permasalahan utama dalam diagnosis penyakit ginjal adalah adanya gejala yang tidak spesifik dan ketidakseimbangan distribusi data pasien. Penelitian ini mengusulkan peningkatan performa algoritma C4.5 untuk deteksi penyakit ginjal dengan mengintegrasikan beberapa tahapan modern, yaitu pra-pemrosesan menggunakan Label Encoder dan Ordinal Encoder untuk mengolah fitur kategorikal, penyeimbangan data menggunakan metode SMOTE-ENN, serta seleksi fitur dengan LASSO. Selanjutnya, model dasar C4.5 ditingkatkan dengan metode ensemble learning menggunakan AdaBoost. Hasil pengujian menunjukkan bahwa integrasi Adaboost pada algoritma C4.5 secara signifikan meningkatkan akurasi deteksi penyakit ginjal dibandingkan model dasar maupun model-model pada penelitian terdahulu. Model terbaik pada penelitian ini mencapai akurasi 99%, melebihi performa XGBoost maupun stacking ensemble pada kasus serupa. Kontribusi penelitian ini menegaskan efektivitas kombinasi boosting, balancing, dan seleksi fitur dalam membangun sistem pendukung keputusan berbasis machine learning untuk diagnosis penyakit ginjal.]]>
Copyrights © 2025
