Penerapan metode support vector machine untuk deteksi penyakit gagal ginjal

INDONESIA :
Gagal ginjal kronis merupakan salah satu penyakit yang terjadi akibat penurunan fungsi ginjal secara bertahap dan dapat menyebabkan kematian apabila tidak ditangani dengan tepat. Pencegahan dan deteksi dini menjadi penting untuk meminimalkan risiko yang ditimbulkan, hal tersebut bisa dilakukan dengan menggunakan algoritma machine learning. Penelitian ini bertujuan untuk mengevaluasi performa algoritma Support Vector Machine (SVM) dalam klasifikasi penyakit gagal ginjal kronis menggunakan dataset Chronic Kidney Disease dari UCI Machine Learning Repository. Data diproses melalui beberapa tahap yaitu penghapusan nilai yang hilang, label encoding, normalisasi, dan penyeimbangan data menggunakan metode SMOTE. Penelitian ini menggunakan tiga skenario pembagian data dan menggunakan dua jenis kernel yaitu linear dan polynomial. Model diuji dalam dua kondisi, yaitu tanpa reduksi dimensi dan dengan reduksi dimensi menggunakan Principal Component Analisis (PCA). Hasil penelitian menunjukkan bahwa model SVM dengan kernel linear, baik tanpa PCA maupun dengan PCA, mampu mencapai akurasi hingga 100% pada beberapa skenario. Sementara itu, kernel polynomial menunjukkan peningkatan performa saat menggunakan PCA, dengan akurasi tertinggi sebesar 92%.

ENGLISH :
Chronic kidney disease is a condition that occurs due to a gradual decline in kidney function and can be fatal if not treated properly. Prevention and early detection are important to minimize the risks involved, and this can be achieved using machine learning algorithms. This study aims to evaluate the performance of the Support Vector Machine (SVM) algorithm in classifying chronic kidney disease using the Chronic Kidney Disease dataset from the UCI Machine Learning Repository. The data was processed through several stages, including missing value imputation, label encoding, normalization, and data balancing using the SMOTE method. This study employed three data splitting scenarios and utilized two types of kernels: linear and polynomial. The model was tested under two conditions: without dimension reduction and with dimension reduction using Principal Component Analysis (PCA). The results showed that the SVM model with a linear kernel, both without PCA and with PCA, achieved accuracy of up to 100% in some scenarios. Meanwhile, the polynomial kernel demonstrated improved performance when using PCA, with the highest accuracy reaching 92%.

ARABIC :
الفشل الكلوي المزمن هو مرض يحدث بسبب التدهور التدريجي في وظائف الكلى ويمكن أن يسبب الوفاة إذا لم يتم علاجه بشكل صحيح. من المهم الوقاية والكشف المبكر لتقليل المخاطر، ويمكن القيام بذلك باستخدام خوارزميات التعلم الآلي. تهدف هذه الدراسة إلى تقييم أداء خوارزمية آلة دعم المتجهات (SVM) في تصنيف الفشل الكلوي المزمن باستخدام مجموعة بيانات مرض الكلى المزمن من مستودع التعلم الآلي لجامعة كاليفورنيا في كاليفورنيا. تتم معالجة البيانات من خلال عدة مراحل، وهي إزالة القيم المفقودة، وترميز التسمية، والتطبيع، وموازنة البيانات باستخدام طريقة SMOTE. وتستخدم هذه الدراسة ثلاثة سيناريوهات لمشاركة البيانات وتستخدم نوعين من النوى، وهما النواة الخطية ومتعددة الحدود. تم اختبار النموذج في حالتين، وهما دون تقليل الأبعاد ومع تقليل الأبعاد باستخدام تحليل المكونات الرئيسية (PCA). أظهرت النتائج أن نماذج SVM ذات النواة الخطية، سواءً بدون تحليل المكوّنات الرئيسية أو باستخدام تحليل المكوّنات الرئيسية، كانت قادرة على تحقيق دقة تصل إلى 100٪ في بعض السيناريوهات. وفي الوقت نفسه، أظهرت النواة متعددة الحدود أداءً محسنًا عند استخدام تحليل المكوّنات الرئيسية، حيث بلغت أعلى دقة 92٪.