Hasugian, Asfazura (2026) Sistem Pendeteksi Penyakit Gagal Ginjal Menggunakan Machine Learning Menggunakan Metode Regresi Logistik. S1 thesis, Universitas Malikussaleh.

	Text Cover.pdf Download (109kB)
	Text Abstrak.pdf Download (127kB)
	Text Bab I.pdf Download (143kB)
	Text Daftar Pustaka.pdf Download (135kB)
	Text Full-text.pdf Restricted to Registered users only Download (1MB)

Abstract

Penyakit Gagal Ginjal Kronis (Chronic Kidney Disease/CKD) merupakan penyakit yang ditandai dengan penurunan fungsi ginjal secara bertahap dan dapat menyebabkan komplikasi serius apabila tidak terdeteksi sejak dini. Proses deteksi penyakit umumnya memerlukan pemeriksaan beberapa parameter klinis sehingga diperlukan suatu sistem yang dapat membantu proses deteksi secara lebih cepat dan terstruktur. Penelitian ini bertujuan untuk merancang dan membangun sistem deteksi penyakit gagal ginjal berbasis website menggunakan machine learning metode regresi logistik. Data yang digunakan berasal dari RSU Cut Meutia Aceh Utara dengan delapan parameter medis, yaitu umur, tekanan darah, hemoglobin, leukosit, eritrosit, ureum, kreatinin, dan glukosa darah acak. Tahapan penelitian meliputi pengumpulan data, preprocessing, pelatihan model, evaluasi menggunakan confusion matrix, serta implementasi model ke dalam sistem berbasis website menggunakan Python dan Flask. Hasil penelitian menunjukkan bahwa sistem yang dibangun mampu melakukan deteksi penyakit gagal ginjal dengan nilai accuracy sebesar 95,5%, precision sebesar 98,6%, recall sebesar 95,1%, dan F1-score sebesar 96,8%. Hasil evaluasi menunjukkan bahwa model memiliki kemampuan yang baik dalam mengklasifikasikan data pasien ke dalam kategori CKD dan normal dengan tingkat ketepatan serta kemampuan deteksi yang tinggi. Sistem yang dibangun diharapkan dapat digunakan sebagai alat bantu deteksi dini penyakit gagal ginjal untuk mendukung proses skrining awal serta memberikan informasi hasil deteksi secara lebih cepat dan terstruktur. Kata Kunci: Penyakit Gagal Ginjal Kronis, Machine Learning, Regresi Logistik, Deteksi Dini, Website, Python, Flask.

Item Type:	Thesis (S1)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Teknik > 57201 - Jurusan Sistem Informasi
Depositing User:	Asfazura Hasugian
Date Deposited:	02 Sep 2026 03:23
Last Modified:	02 Sep 2026 03:23
URI:	https://rama.unimal.ac.id/id/eprint/22055

Actions (login required)

View Item