Klasifikasi Penyakit Ginjal Menggunakan Explainable Boosting Machine dengan Pendekatan Imputasi Hybrid KNN-interpolasi linier

Masita, Abellia Putri Dwi (2026) Klasifikasi Penyakit Ginjal Menggunakan Explainable Boosting Machine dengan Pendekatan Imputasi Hybrid KNN-interpolasi linier. Bachelor thesis, Institut Teknologi Kalimantan.

	Text 11221020_cover.pdf Download (494kB)
	Text 11221020__statement_of_authenticity.pdf Download (531kB)
	Text 11221020_publishing_agreement.pdf Download (521kB)
	Text 11221020__approval_sheet.pdf Download (470kB)
	Text 11221020__preface.pdf Download (832kB)
	Text 11221020__abstract_id.pdf Download (369kB)
	Text 11221020__abstract_en.pdf Restricted to Repository staff only until 3 January 2028. Download (326kB) | Request a copy
	Text 11221020__table_of_content.pdf Restricted to Repository staff only until 3 January 2028. Download (332kB) | Request a copy
	Text 11221020__illustrations.pdf Restricted to Repository staff only until 3 January 2028. Download (329kB) | Request a copy
	Text 11221020__tables.pdf Restricted to Repository staff only until 3 January 2028. Download (353kB) | Request a copy
	Text 11221020__notations.pdf Restricted to Repository staff only until 3 January 2028. Download (350kB) | Request a copy
	Text 11221020__chapter_1.pdf Restricted to Repository staff only until 3 January 2028. Download (697kB) | Request a copy
	Text 11221020__chapter_2.pdf Restricted to Repository staff only until 3 January 2028. Download (808kB) | Request a copy
	Text 11221020__chapter_3.pdf Restricted to Repository staff only until 3 January 2028. Download (545kB) | Request a copy
	Text 11221020__chapter_4.pdf Restricted to Repository staff only until 3 January 2028. Download (2MB) | Request a copy
	Text 11221020__conclusions.pdf Restricted to Repository staff only until 3 January 2028. Download (388kB) | Request a copy
	Text 11221020__bibliography.pdf Download (333kB)
	Text 11221020__enclosure.pdf Restricted to Repository staff only until 3 January 2028. Download (349kB) | Request a copy
	Text 11221020_paper.pdf Restricted to Repository staff only until 3 January 2028. Download (1MB) | Request a copy
	Text 11221020_presentation.pdf Restricted to Repository staff only until 3 January 2028. Download (2MB) | Request a copy

Abstract

Penyakit Ginjal Kronis (Chronic Kidney Disease/CKD) memerlukan deteksi dini yang akurat untuk mendukung pengambilan keputusan medis. Penelitian ini mengevaluasi kinerja, interpretabilitas, dan ketahanan Explainable Boosting Machine (EBM) terhadap Gaussian noise dalam klasifikasi CKD. Penelitian menerapkan metode imputasi hybrid menggunakan K-Nearest Neighbor (KNN) dan interpolasi linier dengan variasi nilai k\ = 3, 5, 7, 9, dan 11, serta menggunakan tiga skenario seleksi fitur, yaitu full dataset, top 10 fitur berdasarkan korelasi Pearson, dan fitur rekomendasi berdasarkan jurnal Mallamaci dan Tripepi (2024). Dataset dibagi menggunakan rasio 80:20 dan dilakukan scaling fitur numerik menggunakan RobustScaler. Penelitian membandingkan model EBM dengan Logistic Regression, Random Forest, dan XGBoost berdasarkan metrik accuracy, precision, recall, dan F1-score, serta mengevaluasi pengaruh Gaussian noise sebesar 50% pada data training dan testing. Hasil penelitian menunjukkan bahwa model EBM mencapai performa terbaik pada skenario full dataset dengan nilai accuracy, precision, recall, dan F1-score sebesar 1,00 pada seluruh variasi nilai k. Pada skenario top 10 korelasi Pearson, model EBM memperoleh accuracy antara 0,97 hingga 0,99 dan F1-score antara 0,98 hingga 0,99, sedangkan pada skenario fitur jurnal memperoleh accuracy sebesar 0,96 dan F1-score sebesar 0,97. Hasil tersebut menunjukkan bahwa EBM mampu menghasilkan performa yang setara dengan Random Forest dan lebih baik dibandingkan Logistic Regression pada sebagian besar skenario pengujian. Pengujian Gaussian noise menunjukkan bahwa penambahan noise pada data testing memberikan dampak terbesar terhadap performa model. Penurunan terbesar terjadi pada skenario fitur jurnal dengan accuracy sebesar 0,76 dan F1-score sebesar 0,83 pada k = 3. Meskipun demikian, model tetap mempertahankan nilai recall yang tinggi, yaitu antara 0,92 hingga 1,00 pada sebagian besar skenario pengujian. Interpretasi global model menunjukkan bahwa fitur serum sc, hemo, rbcc, dm, dan sg memberikan kontribusi terbesar terhadap klasifikasi CKD. Hasil penelitian menunjukkan bahwa model EBM tidak hanya menghasilkan performa klasifikasi yang tinggi, tetapi juga memberikan interpretasi yang transparan dan relevan secara klinis.

Item Type:	Thesis (Bachelor)
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Jurusan Matematika dan Teknologi Informasi > Informatika
Depositing User:	Abellia Putri Dwi Masita
Date Deposited:	13 Jul 2026 02:37
Last Modified:	13 Jul 2026 02:37
URI:	http://repository.itk.ac.id/id/eprint/26019

Actions (login required)

View Item