Prediction Of Chronic Kidney Disease Using The XGBoost Classifier Algorithm
Prediksi Penyakit Ginjal Kronik Menggunakan Algoritma Xgboost Classifier
DOI:
https://doi.org/10.21070/ups.11803Keywords:
XGBoost, machine learning, chronic kidney disease, classificationAbstract
Penyakit ginjal kronik merupakan kondisi medis yang ditandai dengan penurunan fungsi ginjal secara bertahap
dan progresif dalam jangka waktu panjang. Apabila tidak dideteksi sejak dini, penyakit ini dapat menyebabkan
komplikasi serius yang berdampak pada kualitas hidup pasien, bahkan dapat berujung pada gagal ginjal tahap akhir
yang memerlukan terapi cuci darah atau transplantasi ginjal. Oleh karena itu, diperlukan sistem prediksi yang mampu
membantu proses deteksi dini secara lebih cepat dan akurat. Penelitian ini bertujuan untuk membangun model
prediksi penyakit ginjal kronik menggunakan algoritma XGBoost Classifier yang dikenal memiliki performa tinggi
dalam menangani data klasifikasi. Tahapan penelitian meliputi proses preprocessing data untuk membersihkan dan
menyiapkan dataset, pembagian dataset menjadi data training dan testing, proses pelatihan model, serta evaluasi
kinerja model menggunakan confusion matrix dan classification report. Hasil pengujian menunjukkan bahwa model
yang dikembangkan mampu mencapai tingkat akurasi sebesar 98,78%. Selain itu, nilai precision, recall, dan F1-
score yang dihasilkan juga menunjukkan performa
Downloads
References
W. Yunus, “Algoritma K-Nearest Neighbor Berbasis Particle Swarm Optimization Untuk Prediksi Penyakit Ginjal Kronik,” J. Tek. Elektro CosPhi, vol. 2, no. 2, pp. 51–55, 2018.
H. Amalia, “Perbandingan Metode Data Mining Svm Dan Nn Untuk Klasifikasi Penyakit Ginjal Kronis,” Jurnal PILAR Nusa Mandiri, vol. 14, no. 1, pp. 1–6, 2018
F. Sanmarchi, C. Fanconi, D. Golinelli, D. Gori, T. Hernandez-Boussard, and A. Capodici, “Predict, diagnose, and treat chronic kidney disease with machine learning: a systematic literature review,” J. Nephrol., vol. 36, no. 4, pp. 1101–1117, 2023.
T. Arifin and D. Ariesta, “Prediksi Penyakit Ginjal Kronis Menggunakan Algoritma Naive Bayes Classifier Berbasis Particle Swarm Optimization,” Jurnal Tekno Insentif, vol. 13, no. 1, pp. 26–30, 2019.
Q. A’yuniyah, E. Tasia, N. Nazira, P. F. Pratama, and M. R. Anugrah, “Implementasi algoritma Naïve Bayes Classifier (NBC) untuk klasifikasi penyakit ginjal kronik,” Jurnal Sistem Komputer dan Informatika (JSON) Hal, vol. 72, p. 76, 2022.
MENTERI KESEHATAN REPUBLIK INDONESIA, KEPUTUSAN MENTERI KESEHATAN REPUBLIK INDONESIA NOMOR HK.01.07/MENKES/1634/2023 TENTANG PEDOMAN NASIONAL PELAYANAN KEDOKTERAN TATA LAKSANA PENYAKIT GINJAL KRONIK. Indonesia, 2023.
H. Setiawan, C. Fatichah, and A. Saikhu, “Multilabel classification of student feedback data using BERT and machine learning methods,” in 2023 14th International Conference on Information & Communication Technology and System (ICTS), IEEE, 2023, pp. 147–152.
A. Eviyanti, A. Saikhu, and C. Fatichah, “Epileptic Seizure Detection Using Machine Learning and Deep Learning Method,” in 2022 IEEE International Conference on Cybernetics and Computational Intelligence (CyberneticsCom), IEEE, 2022, pp. 463–468.
I. R. I. Astutik, U. Indahyanti, and E. Rinata, “Optimization of Stunting Prevention and Reduction through Early Detection Application, Sunting, based on Forward Chaining Inference Machine.: Optimalisasi Pencegahan dan Penurunan Stunting Melalui Aplikasi Deteksi Dini Sunting Berbasis Mesin Inferensi Forward Chaining,” Academia Open, vol. 8, no. 2, pp. 10–21070, 2023.
S. Nimithap, S. Bag, S. Elavarasan, P. Ghosh, M. Sathiyamoorthy, and S. T. Gopukumar, “Machine Learning Algorithms for Predicting CKD Progression: A Real-World Hospital Dataset Analysis,” KIDNEYS, vol. 15, no. 1, pp. 43–54, 2026.
M. J. Raihan, M. A.-M. Khan, S.-H. Kee, and A.-A. Nahid, “Detection of the chronic kidney disease using XGBoost classifier and explaining the influence of the attributes on the model using SHAP,” Sci. Rep., vol. 13, no. 1, p. 6263, 2023.
I. W. Gamadarenda and I. Waspada, “Implementasi Data Mining untuk Deteksi Penyakit Ginjal Kronis (PGK) menggunakan K-Nearest Neighbor (KNN) dengan Backward Elimination,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 7, no. 2, pp. 417–426, 2020.
H.-H. Chang, J.-H. Chiang, C.-C. Tsai, and P.-F. Chiu, “Predicting hyperkalemia in patients with advanced chronic kidney disease using the XGBoost model,” BMC Nephrol., vol. 24, no. 1, p. 169, 2023.
V. Wulandari, W. J. Sari, Z. Alfian, L. Legito, and T. Arifianto, “Implementasi Algoritma Naïve Bayes Classifier dan K-Nearest Neighbor untuk Klasifikasi Penyakit Ginjal Kronik: Implementation of Naïve Bayes Classifier and K-Nearest Neighbor Algorithms for Chronic Kidney Disease Classification,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 2, pp. 710–718, 2024.
W. D McGinnis, C. Siu, A. S, and H. Huang, “Category Encoders: a scikit-learn-contrib package of transformers for encoding categorical data,” The Journal of Open Source Software, vol. 3, no. 21, 2018, doi: 10.21105/joss.00501.
Q. A’yuniyah, E. Tasia, N. Nazira, P. F. Pratama, and M. R. Anugrah, “Implementasi algoritma Naïve Bayes Classifier (NBC) untuk klasifikasi penyakit ginjal kronik,” Jurnal Sistem Komputer dan Informatika (JSON) Hal, vol. 72, p. 76, 2022.
C. Delrue, S. De Bruyne, and M. M. Speeckaert, “Application of machine learning in chronic kidney disease: current status and future prospects,” Biomedicines, vol. 12, no. 3, p. 568, 2024.
F. Sanmarchi, C. Fanconi, D. Golinelli, D. Gori, T. Hernandez-Boussard, and A. Capodici, “Predict, diagnose, and treat chronic kidney disease with machine learning: a systematic literature review,” J. Nephrol., vol. 36, no. 4, pp. 1101–1117, 2023.
M. K. Nasution, Rd. R. Saedudin, and V. P. Widartha, “Perbandingan Akurasi Algoritma Naïve Bayes Dan Algoritma Xgboost Pada Klasifikasi Penyakit Diabetes,” e-Proceeding of Engineering, vol. 8, no. 5, 2021.
D. A. Anggoro and N. A. Afdallah, “Grid Search CV Implementation in Random Forest Algorithm to Improve Accuracy of Breast Cancer Data,” Int. J. Adv. Sci. Eng. Inf. Technol., vol. 12, no. 2, 2022, doi: 10.18517/ijaseit.12.2.15487.
B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “PENGUKURAN KINERJA SISTEM KUALITAS UDARA DENGAN TEKNOLOGI WSN MENGGUNAKAN CONFUSION MATRIX,” Jurnal Informatika Upgris, vol. 6, no. 2, 2021, doi: 10.26877/jiu.v6i2.6552.
Downloads
Additional Files
Posted
License
Copyright (c) 2026 UMSIDA Preprints Server
This work is licensed under a Creative Commons Attribution 4.0 International License.
