Pengembangan Model Prediksi Penyakit Ginjal Menggunakan Algoritma Random Forest, Support Vector Machine, dan Deep Learning Berbasis LSTM dengan Implementasi Flask

Abstrak

Abstrak — Penyakit ginjal kronis (PGK) merupakan salah satu masalah kesehatan global yang serius karena sering kali tidak menimbulkan gejala pada tahap awal namun berisiko berujung pada gagal ginjal. Penelitian ini bertujuan membangun model prediksi dini PGK menggunakan tiga algoritma, yaitu Random Forest, Support Vector Machine (SVM), dan Long Short-Term Memory (LSTM), yang kemudian diimplementasikan pada sistem berbasis web dengan framework Flask. Proses pengembangan mengikuti tahapan CRISP-DM, mulai dari eksplorasi dan pembersihan data, pelatihan, evaluasi, hingga implementasi. Dataset yang digunakan berasal dari UCI dengan 26 fitur medis. Evaluasi dilakukan menggunakan akurasi, presisi, recall, dan F1-score, dengan hasil terbaik ditunjukkan oleh Random Forest yang mencapai akurasi 99,1% pada pembagian data 70:30. Sistem berbasis Flask ini dirancang agar mudah digunakan tenaga medis tanpa harus memahami aspek teknis pemrograman. Selain itu, integrasi LIME membantu meningkatkan transparansi prediksi dengan menampilkan kontribusi fitur secara visual. Kata kunci— Penyakit Ginjal Kronis, Random Forest, SVM, LSTM, Flask