Klasifikasi Penyakit Ginjal Kronik Menggunakan Metode Support Vector Machine dengan Penanganan Missing Value Menggunakan Imputasi K-Nearest Neighbor

Penyakit Ginjal Kronik (PGK) merupakan masalah kesehatan yang serius, dengan prevalensi yang meningkat di Indonesia. Diagnosis yang akurat dan cepat sangat dibutuhkan untuk memberikan keputusan pengobatan terbaik bagi pasien. Salah satu solusi yang dapat membantu tenaga medis dalam melakukan proses diagnosa pada pasien PGK adalah penerapan kecerdasan buatan seperti mesin pembelajran. Namun, permasalahan seperti missing value pada data medis sering menghambat pembelajaran mesin dalam melakukan klasifikasi secara optimal. Solusi klasifikasi dengan penanganan missing value yang telah ada melakukan penghapusan baris data yang memuat missing value, metode tersebut cenderung mengurangi jumlah sampel sehingga mempengaruhi akurasi model. Untuk mengatasi hal ini, penelitian ini mengusulkan metode klasifikasi menggunakan Support Vector Machine (SVM) dengan penanganan missing value melalui Imputasi K-Nearest Neighbor (K-NN). SVM dipilih karena keunggulannya dalam menyelesaikan permasalahan klasifikasi sementara Imputasi K-NN efektif dalam mengisi data hilang tanpa mengurangi sampel. Tujuan penelitian ini adalah untuk mengetahui seberapa akurat penerapan metode SVM dengan Imputasi K-NN dalam mengklasifikasikan PGK dan non-PGK. Hasil dari penelitian ini didapatkan hasil akurasi sebesar 98,75% pada k 5, k 10 dan k 15 dengan rasio data latih dan data uji yakni 80:20.