Indonesian Journal on Software Engineering (IJSE) Vol.
No.
Desember 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
225/E/KPT/2022
p-ISSN: 2461-0690 e-ISSN: 2714-9935 Deteksi Dini Penyakit Ginjal Kronis Dengan Menggunakan Algoritma Deep Learning Nurlaelatul Maulidah1*.
Hiya Nalatissifa2.
Kheri Agus Suseno3.
Sabrina Ratu Aqilah4.
Tia Winasti5 1,2,4,5 Fakultas Teknik dan Informatika.
Sistem Informasi Akuntansi Kampus Kota Tegal,Universitas Bina Sarana Informatika.
Tegal.
Indonesia 3 Fakultas Teknik dan Informatika.
Sistem Informasi Kampus Kota Tegal.
Universitas Bina Sarana Informatika.
Tegal.
Indonesia Email: 1*nurlaelatul.
nlt@bsi.
id, 2hiya.
hys@bsi.
id, 3kheri.
kgs@bsi.
4sabrinaaqilah04@gmail.
com, 5tiawinasti@gmail.
*Penulis Korespondensi: 1nurlaelatul.
nlt@bsi.
Abstrak Penyakit Ginjal Kronis (PGK) merupakan salah satu masalah kesehatan serius dengan tingkat prevalensi yang terus meningkat di berbagai negara.
Kondisi ini sering kali baru terdeteksi pada tahap lanjut, sehingga upaya deteksi dini sangat diperlukan untuk memperlambat perkembangan penyakit serta mengurangi risiko Penelitian ini mengkaji penerapan tiga pendekatan deep learning, yaitu Artificial Neural Network (ANN).
Long Short-Term Memory (LSTM), dan Convolutional Neural Network (CNN), dalam klasifikasi data pasien untuk identifikasi awal PGK.
Hasil kajian dari berbagai penelitian mutakhir menunjukkan bahwa metode ANN mampu memberikan hasil yang stabil ketika dipadukan dengan teknik seleksi fitur, sedangkan LSTM memiliki keunggulan dalam mengolah data berurutan sehingga efektif memprediksi perkembangan Di sisi lain.
CNN terbukti dapat mengekstraksi pola kompleks pada data medis dan meningkatkan akurasi sistem.
Pendekatan gabungan atau ensemble yang mengintegrasikan lebih dari satu arsitektur juga dilaporkan mampu menghasilkan performa prediksi yang lebih tinggi dibandingkan metode tunggal.
Temuan ini menegaskan bahwa integrasi teknik deep learning dengan strategi optimasi model dapat memberikan dukungan yang signifikan dalam sistem deteksi dini berbasis data medis, sehingga berpotensi membantu tenaga medis dalam proses pengambilan keputusan klinis yang lebih cepat dan tepat.
Kata kunci: Penyakit Ginjal Kronis.
Deteksi Dini.
Artificial Neural Network.
Long Short-Term Memory.
Convolutional Neural Network.
Deep Learning.
Abstract Chronic Kidney Disease (CKD) is a major global health concern with an increasing prevalence that significantly affects patientsAo quality of life and creates economic and social burdens.
The disease is often diagnosed at an advanced stage, making early detection crucial to slow its progression and reduce the risk of severe complications.
This study examines the application of three deep learning approachesAiArtificial Neural Network (ANN).
Long Short-Term Memory (LSTM), and Convolutional Neural Network (CNN)Aifor classifying patient data in the early identification of CKD.
Findings from recent studies indicate that ANN performs consistently well when combined with feature selection techniques, while LSTM demonstrates superior capability in processing sequential data, enabling effective disease progression prediction.
CNN,
on the other hand, is highly effective in extracting complex patterns from medical data, thereby improving system accuracy.
Furthermore, ensemble approaches that integrate multiple architectures have been reported to outperform individual models, producing more robust predictive performance.
These insights highlight that the integration of deep learning methods with appropriate model optimization strategies can provide significant support for data-driven early detection systems, offering valuable assistance to healthcare professionals in making faster and more accurate clinical decisions.
Keywords: Chronic Kidney Disease.
Early Detection.
Artificial Neural Network.
Long Short-Term Memory.
Convolutional Neural Network.
Deep Learning https://jurnal.
id/index.
php/ijse Indonesian Journal on Software Engineering (IJSE) Vol.
No.
Desember 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
225/E/KPT/2022
p-ISSN: 2461-0690
e-ISSN: 2714-9935
PENDAHULUAN
Penyakit ginjal kronik (PGK) atau Chronic Kidney Disease (CKD) merupakan isu kesehatan global yang berada pada urutan ke-10 sebagai penyebab utama kematian di dunia menurut WHO (Nasution et , 2.
Ginjal adalah organ vital yang berfungsi menjaga keseimbangan metabolisme, cairan, dan PGK merupakan kondisi gangguan fungsi ginjal yang terjadi lebih dari tiga bulan, ditandai oleh penurunan laju filtrasi glomerulus dan/atau adanya kelainan struktural pada organ ginjal (Suparjo et al.
Ketika fungsi ginjal menurun dalam jangka panjang, ginjal tidak lagi mampu mempertahankan homeostasis tubuh sehingga menimbulkan komplikasi serius, termasuk uremia dan gagal ginjal stadium akhir (End-Stage Renal Disease/ESRD).
Data dari United States Renal Data System (USRDS) menunjukkan bahwa lebih dari 871.
000 pasien di Amerika Serikat telah dirawat akibat ESRD hingga akhir Di Indonesia, hasil Riset Kesehatan Dasar (Riskesda.
tahun 201 melaporkan prevalensi PGK Prevalensi Gagal Ginjal Kronis berdasarkan Diagnosis Dokter pada Penduduk Umur Ou15 Tahun diindonesia sebesar 0,38%, serta prevalensi pada laki-laki .
,42%) sedikit lebih tinggi dibanding perempuan yaitu 0.
35% (Riskesdas, 2.
Faktor risiko utama PGK di antaranya adalah umur, jenis kelamin, pendidikan, kebiasaan merokok, minum alkohol, riwayat hipertensi, riwayat diabetes melitus, riwayat keluarga dengan gagal ginjal kronik (Hasanah et al.
, 2.
Infeksi dan komplikasi sistemik lainnya juga berkontribusi besar terhadap tingginya angka mortalitas akibat ESRD.
Meningkatnya angka kejadian ini menuntut adanya sistem deteksi dini yang lebih efektif.
Metode konvensional, seperti pemeriksaan laboratorium .
isalnya eGFR dan kadar kreatinin seru.
maupun pencitraan medis, sering kali membutuhkan biaya tinggi dan tidak selalu tersedia di fasilitas kesehatan Oleh karena itu, diperlukan pendekatan alternatif yang mampu mendeteksi PGK sejak dini secara efisien, akurat, dan terjangkau.
Seiring perkembangan teknologi, data mining dan knowledge discovery in database (KDD) telah menjadi solusi potensial untuk menggali informasi dari data medis.
Proses ini melibatkan teknik klasifikasi, klasterisasi, dan regresi yang beririsan dengan artificial intelligence (AI), machine learning (ML), dan statistik untuk menemukan pola, tren serta pengetahuan dari sebuah data yang kompleks (Putra et al.
, 2.
Dalam dunia medis, metode tersebut dapat dimanfaatkan sebagai alat prediksi penyakit sekaligus pendukung pengambilan keputusan klinis yang lebih tepat dan cepat.
Berbagai penelitian terdahulu telah menunjukkan keberhasilan teknik machine learning konvensional dalam mendeteksi PGK.
Misalnya, penelitian dalam mendiagnosa PGK menggunakan algoritma C4.
5 yang mampu mencapai akurasi hingga 96,67% (Ismail & Lestari, 2.
Sedangkan, penelitian PGK dengan menerapkan algoritma K-Nearest Neighbor (KNN) dengan akurasi 92,59% dan nilai presisi 89,85% (Indrianti et al.
, 2.
Meskipun algoritma klasik cukup menjanjikan, namun deep learning memberikan hasil yang lebih unggul karena kemampuannya mengekstraksi pola non-linier dari data kompleks tanpa perlu intervensi manual (Maheswari & Gunawan, 2.
Arsitektur Artificial Neural Network (ANN).
Long Short-Term Memory (LSTM), dan Convolutional Neural Network (CNN) telah banyak diimplementasikan dalam penelitian medis untuk diagnosis dan prediksi penyakit kronis.
CNN secara khusus dibuat untuk memproses data berdimensi tinggi seperti citra dan video secara efisien.
Arsitekturnya memanfaatkan lapisan konvolusi yang berfungsi mengekstraksi fitur-fitur spasial dari data input (Zebua et al.
, n.
LSTM
efektif untuk beragam tugas pembelajaran yang menggunakan data sekuensial, jaringan saraf berulang dengan kemampuan menyimpan memori jangka pendek (Sawitri et al.
, 2.
, sedangkan ANN unggul karena mampu menggali informasi dari data yang sulit didefinisikan atau tidak terstruktur (Henisaniyya et , 2.
Penelitian sebelumnya, menunjukkan bahwa akurasi yang dihasilkan dengan menggunakan KNN dengan optimasi menggunakan Genethic Algorithm efektif mendeteksi PGK dengan tingkat akurasi 75% (Rukiastiandari et al.
, 2.
Penelitian lain yang menggunakan Naive Bayes memperoleh akurasi 93,50%, presisi 85,23%, recall 100%, dan AUC 0,948 (Ermanto & Surojudin.
Penelitian lain menunjukkan Hasil klasifikasi dataset menggunakan algoritma Decision Treedan Generalized Linear Model menunjukkan kinerja yang luar biasa, dengan akurasi tertinggi sebesar 98,50% (Ikko et al.
, 2.
Penelitian selanjutnya menunjukkan Akurasi algoritma Decision Tree dengan seleksi fitur menggunakan Particle Swarm Optimization (PSO) lebih tinggi yaitu mencapai 0,967%, dibandingkan akurasi algoritma Decision Tree tanpa seleksi fitur Particle Swarm Optimization (PSO) yang hanya 0,95% (Fitri & Baita, 2.
Berdasarkan penelitian-penelitian diatas, celah penelitian masih ditemukan karena studi sebelumnya umumnya hanya mengevaluasi satu model atau menggunakan algoritma machine learning klasik seperti Naive Bayes.
SVM, dan KNN.
Oleh karena itu, komparasi sistematis beberapa model deep learning pada dataset yang sama diperlukan untuk memperoleh gambaran kinerja yang lebih komprehensif.
Secara keseluruhan, penelitian ini tidak hanya membandingkan performa dari tiga arsitektur deep learning yaitu ANN.
LSTM, dan CNN, tetapi juga Penelitian menggunakan pendekatan kuantitatif melalui tahapan https://jurnal.
id/index.
php/ijse Indonesian Journal on Software Engineering (IJSE) Vol.
No.
Desember 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
225/E/KPT/2022
p-ISSN: 2461-0690 e-ISSN: 2714-9935 preprocessing, normalisasi, dan balancing untuk mengoptimalkan prediksi serta meminimalkan bias.
Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score dan memberikan analisis komparatif yang dapat menjadi rujukan bagi pengembangan sistem pendukung keputusan medis berbasis AI di Indonesia.
Temuan penelitian diharapkan menjadi dasar ilmiah bagi pengembangan sistem deteksi PGK yang lebih andal.
METODE PENELITIAN
Tahapan dan perancangan pada penelitian ini menggunakan pendekatan terstruktur secara sistematis agar memastikan setiap tahap dapat terlaksana dengan baik.
Tahapan pada penelitian ini dirancang berdasar urutan pelaksanaan, sehingga dapat melengkapi satu dengan lainya agar tujuan yang Mulai Studi Literatur Pengumpulan Data Preprocessing Data Normalisasi Data Implementasi Model ANN.
LSTM dan CNN Evaluasi Model Selesai telah ditentukan terpenuhi.
Berikut alur proses yang diterapkan dalam penelitian ini secara menyeluruh, diawali dari studi literatur, pengumpulan data, preprocessing data, normalisasi data, balancing implementasi model ANN.
LSTM dan CNN, dan evaluasi model.
Gambar 1 menyajikan diagram tahapan penelitian awal hingga akhir Gambar 1.
Tahapan Penelitian Studi Literatur Kegiatan ini dilaksanakan bertujuan sebagai awal dari proses penelitian serta analisis, sebagai penentu model ANN.
LSTM dan CNN di komparasikan dari ketiga model tersebut sehingga akan menghasilkan hasil uji yang maksimal.
Studi ini mengacu pada beragam studi sebelumnya untuk menilai efektivitas, tingkat akurasi, dan kelebihan dari masing-masing algoritma dalam mendeteksi masing-masing model dalam prediksi PGK.
Pengumpulan Data Penelitian ini, data yang digunakan adalah data public.
Data public sendiri merupakan dataset yang dapat diambil dari repository publik yang disepakati oleh para peneliti-peneliti data mining atau sumber data yang didapatkan peneliti dengan media perantara atau tidak secara langsung Preprocessing Data Tahap preprocessing merupakan salah satu langkah penting dalam penelitian berbasis machine learning dan deep learning.
Data yang diperoleh dari sumber publik sering kali belum siap digunakan secara langsung karena terdapat nilai yang hilang, data berulang, atau format data yang tidak sesuai.
Oleh sebab itu, dilakukan serangkaian proses pembersihan data agar model yang dibangun dapat memberikan hasil prediksi yang lebih akurat dan stabil.
Seperti mengidentifikasi dan mengatasi nilai yang hilang .
issing value.
pada dataset, menghapus data duplikat, transformasi data dan pembagian dataset Implementasi Model Tahap implementasi model merupakan inti dari penelitian ini, di mana algoritma deep learning diterapkan untuk membangun sistem prediksi penyakit ginjal kronis (PGK).
Tiga arsitektur yang digunakan adalah Artificial Neural Network (ANN).
Long Short-Term Memory (LSTM), dan Convolutional Neural Network (CNN).
Pemilihan ketiga model ini didasarkan pada keunggulannya masing-masing dalam menangani data tabular, sekuensial, maupun data dengan pola kompleks.
Dengan tahapan yaitu implementasi algoritma Artificial Neural Network (ANN), implementasi algoritma Long Short-Term Memory (LSTM), implementasi algoritma Convolutional Neural Network (CNN) dan tahapan yang terakhir adalah evaluasi model dengan metrik akurasi, presisi, recall.
F1-score, dan Area Under Curve (AUC).
Evaluasi dilakukan untuk membandingkan performa ANN.
LSTM, dan CNN secara langsung dalam mendeteksi CKD.
Implementasi Artificial Neural Network (ANN) ANN merupakan arsitektur jaringan saraf tiruan dasar yang terdiri dari lapisan masukan .
nput laye.
, satu atau lebih lapisan tersembunyi .
idden layer.
, dan lapisan keluaran .
utput laye.
Pada penelitian ini, data klinis pasien seperti tekanan darah, hemoglobin, dan kadar kreatinin dijadikan variabel masukan.
Proses propagasi maju .
orward propagatio.
dilakukan untuk menghitung keluaran, sedangkan propagasi balik .
digunakan untuk memperbarui bobot jaringan berdasarkan fungsi kehilangan .
oss https://jurnal.
id/index.
php/ijse Indonesian Journal on Software Engineering (IJSE) Vol.
No.
Desember 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
225/E/KPT/2022
p-ISSN: 2461-0690 e-ISSN: 2714-9935 Optimizer Adam dipilih karena kemampuannya dalam mempercepat konvergensi dan menghindari jebakan minimum lokal.
ANN digunakan sebagai baseline untuk melihat performa klasifikasi tabular dengan arsitektur sederhana.
Implementasi Long Short-Term Memory (LSTM) LSTM adalah salah satu varian dari Recurrent Neural Network (RNN) yang mampu mengingat informasi dalam jangka panjang melalui penggunaan memory cell dan gating mechanism.
Model ini cocok untuk data sekuensial atau data yang memiliki keterkaitan antarwaktu.
Dalam penelitian ini, meskipun dataset CKD berbentuk tabular.
LSTM tetap diuji untuk mengevaluasi kemampuannya dalam menangkap dependensi antaratribut medis.
LSTM dibangun dengan beberapa unit memori pada lapisan tersembunyi dan dioptimalkan dengan fungsi aktivasi sigmoid dan tanh.
Output akhir dipetakan ke dalam dua kelas, yaitu pasien dengan CKD dan non-CKD.
Penggunaan LSTM diharapkan mampu mengurangi information loss yang sering terjadi pada RNN standar.
Implementasi Convolutional Neural Network (CNN) CNN biasanya digunakan dalam pengolahan citra, tetapi penelitian terkini menunjukkan CNN juga efektif untuk data tabular karena kemampuannya mengekstraksi pola lokal melalui operasi konvolusi.
Pada penelitian ini.
CNN diimplementasikan dengan lapisan konvolusi satu dimensi .
D Convolutio.
untuk menangani data atribut klinis.
Setiap filter konvolusi dirancang untuk menangkap interaksi antarfitur, seperti hubungan antara tekanan darah dan kadar kreatinin.
Setelah itu, lapisan pooling digunakan untuk mengurangi dimensi dan mencegah overfitting.
CNN dilengkapi dengan lapisan fully connected di bagian akhir untuk melakukan klasifikasi.
Evaluasi Model Ketiga model dilatih menggunakan data latih dan data uji dengan metrik akurasi, presisi, recall.
F1score, dan Area Under Curve (AUC).
Evaluasi dilakukan untuk membandingkan performa ANN.
LSTM, dan CNN secara langsung dalam mendeteksi CKD.
HASIL DAN PEMBAHASAN
Pada bagian ini menyajikan temuan serta bahasan terkait proses pengumpulan dan pra-pemrosesan data, pengujian model, dan visualisasi data.
Penelitian dilakukan melalui beberapa tahapan, dimulai dari pengumpulan data.
Data yang terkumpul kemudian diproses melalui tahap preprocessing untuk membersihkan unsur yang tidak relevan, dilanjutkan dengan normalisasi data, lalu data tersebut dibagi menjadi data latih .
raining se.
dan data uji .
esting se.
dengan pembagian data 80% data untuk pelatihan dan 20% data untuk pengujian.
Tiga arsitektur yang digunakan yaitu Artificial Neural Network (ANN).
Long Short-Term Memory (LSTM), dan Convolutional Neural Network (CNN), diterapkan untuk mendeteksi penyakit ginjal kronis, dan performanya dievaluasi menggunakan metrik seperti akurasi, presisi, recall, dan F1-score.
Pengumpulan Data Penelitian ini, data yang digunakan adalah data public.
Data public sendiri merupakan dataset yang dapat diambil dari repository publik yang disepakati oleh para peneliti-peneliti data mining atau sumber data yang didapatkan peneliti dengan media perantara atau tidak secara langsung.
Data public pada penelitian ini menggunakan Chronic Kidney Disease Dataset dari Kaggle yang dapat diakses melalui https://w.
com/datasets/mansoordaku/ckdisease/data.
Untuk Chronic Kidney Disease Dataset dari Kaggle, datanya sendiri terdiri dari 400 record dengan 26 atribut yaitu id, age, bp, sg, al, su, rbc, pc, pcc, ba,bgr, bu, sc, sod, pot, hemo, pcv, wc, rc, htn, dm, cad, appet, pe, ane, classification.
Dimana atribut classification menjadi target.
Di atribut target terdapat dua kelas yaitu pasien yang mengidap penyakit ginjal kronis dan pasien yang tidak mengidap penyakit ginjal kronis.
Gambar 2 menyajikan tampilan data View Chronic Kidney Disease Dataset dalam format data CSV (Comma Delimite.
Tabel 1.
View Chronic Kidney Disease Dataset https://jurnal.
id/index.
php/ijse Indonesian Journal on Software Engineering (IJSE) Vol.
No.
Desember 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
225/E/KPT/2022
p-ISSN: 2461-0690 e-ISSN: 2714-9935 Preprocessing Data Tahap preprocessing merupakan salah satu langkah penting dalam penelitian berbasis machine learning dan deep learning, khususnya pada data medis seperti Chronic Kidney Disease (CKD).
Data yang diperoleh dari sumber publik sering kali belum siap digunakan secara langsung karena terdapat nilai yang hilang, data berulang, atau format data yang tidak sesuai.
Oleh sebab itu, dilakukan serangkaian proses pembersihan data agar model yang dibangun dapat memberikan hasil prediksi yang lebih akurat dan stabil.
Mengatasi Missing Values Langkah pertama dalam preprocessing adalah mengidentifikasi nilai yang hilang .
issing value.
pada dataset.
Nilai kosong dapat terjadi akibat keterbatasan pencatatan klinis, kesalahan input data, atau faktor teknis lainnya.
Apabila nilai kosong ditemukan pada atribut yang memiliki pengaruh besar terhadap diagnosis, maka dilakukan teknik imputasi.
Untuk data numerik, imputasi dapat dilakukan dengan mengganti nilai kosong menggunakan rata-rata .
atau nilai tengah .
Sementara itu, untuk data kategorikal digunakan modus, yaitu nilai yang paling sering muncul pada kolom tersebut .
, .
Apabila atribut yang memiliki banyak nilai kosong dianggap tidak relevan, maka atribut tersebut dapat dihapus agar tidak menimbulkan bias dalam pemodelan.
Gambar 3.
Mising Value Heatmap https://jurnal.
id/index.
php/ijse Indonesian Journal on Software Engineering (IJSE) Vol.
No.
Desember 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
225/E/KPT/2022
p-ISSN: 2461-0690 e-ISSN: 2714-9935 Menghapus Data Duplikat Selain nilai kosong, keberadaan data duplikat juga menjadi masalah yang dapat memengaruhi hasil Duplikasi data dapat terjadi karena kesalahan pencatatan atau penggabungan dataset dari berbagai sumber.
Data yang berulang dapat menurunkan kualitas dataset dan membuat model belajar pola yang salah atau berlebihan.
Oleh karena itu, setiap entri dalam dataset diperiksa untuk memastikan tidak ada data pasien yang tercatat lebih dari satu kali.
Jika ditemukan data duplikat, maka salah satu entri dihapus atau digabungkan jika mengandung informasi tambahan.
Dengan cara ini, dataset yang digunakan menjadi lebih bersih dan representatif.
Transformasi Data Tahap berikutnya adalah melakukan transformasi data agar lebih sesuai dengan kebutuhan algoritma pembelajaran mesin.
Data medis sering kali terdiri dari gabungan data numerik dan kategorikal.
Untuk dapat diproses oleh model ANN.
LSTM, dan CNN, variabel kategorikal harus dikonversi ke dalam format numerik.
Pada penelitian ini digunakan teknik label encoding, yaitu proses pemberian label angka pada setiap kategori.
Misalnya, jenis kelamin pasien dengan kategori AuLaki-lakiAy dan AuPerempuanAy akan diubah menjadi angka 0 dan 1 .
Transformasi ini bertujuan untuk memastikan bahwa semua variabel dapat dibaca oleh model tanpa mengurangi makna dari data aslinya.
Contoh penerapan labelling dalam proses transformasi data ditampilkan pada Tabel 2.
Gambar 5 Menyajikan hasil akhir preprocessing Tabel 2.
Potongan Contoh Labelling Data https://jurnal.
id/index.
php/ijse Indonesian Journal on Software Engineering (IJSE) Vol.
No.
Desember 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
225/E/KPT/2022
p-ISSN: 2461-0690 e-ISSN: 2714-9935 Gambar 5.
Hasil Akhir Preprocessing dataset Pembagian Dataset Setelah melalui tahap preprocessing, data yang sudah bersih dan siap pakai kemudian dibagi menjadi dua subset utama, yaitu data latih .
raining se.
dan data uji .
esting se.
Pembagian dataset ini merupakan langkah penting untuk mengukur performa model deep learning dalam mendeteksi penyakit ginjal kronis (PGK).
Pada penelitian ini, proporsi pembagian yang digunakan adalah 80% data untuk pelatihan dan 20% data untuk pengujian.
Implementasi Model Tahap implementasi model merupakan inti dari penelitian ini, di mana algoritma deep learning diterapkan untuk membangun sistem prediksi penyakit ginjal kronis (PGK).
Tiga arsitektur yang digunakan adalah Artificial Neural Network (ANN).
Long Short-Term Memory (LSTM), dan Convolutional Neural Network (CNN).
Pemilihan ketiga model ini didasarkan pada keunggulannya masing-masing dalam menangani data tabular, sekuensial, maupun data dengan pola kompleks.
Implementasi Artificial Neural Network (ANN) Gambar 6.
Classification Report Artificial Neural Network (ANN) Laporan klasifikasi pada model ANN menunjukkan kinerja yang sangat baik dengan akurasi 96%.
Pada kelas 0, model memiliki precision 1.
00, recall 0.
91, dan f1-score 0.
95, sedangkan pada kelas 1 memperoleh precision 0.
93, recall 1.
00, dan f1-score 0.
Nilai macro average dan weighted average yang sama-sama berada pada angka 0.
96 menandakan bahwa performa model konsisten dan seimbang pada kedua kelas, sehingga model ANN mampu melakukan klasifikasi secara akurat dan stabil.
Implementasi Long Short-Term Memory (LSTM) Gambar 7.
Classification Report Long Short-Term Memory (LSTM) Laporan klasifikasi pada model LSTM menunjukkan performa yang sangat baik dengan akurasi 96%.
Pada kelas 0, model mencapai precision 1.
00, recall 0.
91, dan f1-score 0.
95, sedangkan pada kelas 1 memperoleh precision 0.
93, recall 1.
00, dan f1-score 0.
Nilai macro average dan weighted average yang sama-sama berada pada angka 0.
96 mengindikasikan bahwa model bekerja secara konsisten dan seimbang pada kedua kelas, sehingga LSTM mampu melakukan klasifikasi dengan akurat dan stabil.
https://jurnal.
id/index.
php/ijse Indonesian Journal on Software Engineering (IJSE) Vol.
No.
Desember 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
225/E/KPT/2022
p-ISSN: 2461-0690 e-ISSN: 2714-9935 Implementasi Convolutional Neural Network (CNN) Gambar 8.
Classification Report Convolutional Neural Network (CNN) Laporan klasifikasi pada model CNN menunjukkan kinerja yang sangat unggul dengan akurasi 99%.
Pada kelas 0, model mencapai precision 1.
00, recall 0.
98, dan f1-score 0.
99, sementara pada kelas 1 memperoleh precision 0.
98, recall 1.
00, dan f1-score 0.
Nilai macro average dan weighted average yang sama-sama berada pada angka 0.
99 menegaskan bahwa model memiliki performa yang sangat konsisten, seimbang, dan akurat pada kedua kelas, sehingga CNN menjadi model dengan hasil prediksi terbaik di antara seluruh arsitektur yang diuji.
Evaluasi Model Pada penelitian ini ketiga model dilatih menggunakan 80% data latih, dengan jumlah epoch dan batch size yang ditentukan melalui proses eksperimen awal.
Fungsi loss yang digunakan adalah binary cross-entropy karena penelitian ini berfokus pada tugas klasifikasi biner.
Setelah proses pelatihan selesai, model diuji menggunakan 20% data uji dan dievaluasi menggunakan metrik akurasi, presisi, recall.
F1score, serta Area Under Curve (AUC).
Evaluasi ini dilakukan untuk membandingkan secara langsung kinerja ANN.
LSTM, dan CNN dalam mendeteksi CKD.
Pada tahap tersebut, diperoleh hasil evaluasi sebagai berikut:
Tabel 3.
Evaluasi Performa Model Model Accuracy Score Convolutional Neural Network (CNN) Model Artificial Neural Network (ANN) Long Short-Term Memory (LSTM) Model Gambar 6.
Confusion Matrix Convolutional Neural Network (CNN) Dari gambar tersebut diatas dapat kita simpulkan bahwa Model CNN menunjukkan performa yang sangat baik, terutama pada kelas positif (PGK), ditunjukkan dengan FN = 0.
Tingkat kesalahan model sangat rendah, hanya terdapat 2 salah prediksi (FP) dengan nilai True Negative (TN) = 44 dan True Positive https://jurnal.
id/index.
php/ijse Indonesian Journal on Software Engineering (IJSE) Vol.
No.
Desember 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
225/E/KPT/2022
p-ISSN: 2461-0690 e-ISSN: 2714-9935 (TP) = 54.
Secara keseluruhan, model mampu membedakan kelas dengan sangat akurat, baik untuk pasien PGK maupun non-PGK.
KESIMPULAN
Penelitian ini menunjukkan bahwa model Convolutional Neural Network (CNN) memiliki kinerja paling optimal dalam klasifikasi penyakit ginjal kronis, dengan tingkat akurasi tertinggi sebesar 98% dibandingkan ANN dan LSTM.
Secara umum, ketiga model deep learning mampu memberikan hasil prediksi yang baik sehingga berpotensi mendukung proses deteksi dini dan pengambilan keputusan di bidang kesehatan.
Penerapan metode ini diharapkan dapat menjadi dasar pengembangan sistem pendukung keputusan dan sistem pakar yang lebih akurat dan adaptif dalam mendeteksi penyakit ginjal kronis di fasilitas pelayanan kesehatan.
REFERENSI