Kidney disease has become a significant global problem. According to the World Cancer Research Fund International, there will be more than 434,840 new cases of kidney cancer by 2022 with a mortality rate of 155,953 cases, making kidney cancer the 16th most common cause of death. However, manual CT-Scan analysis is time-consuming and prone to human error. This can cause problems for doctors or radiologists, often leading to delays in tumor detection. So, this study aims to classify kidney disease using the CNN (Convolutional Neural Network) method which is one of the deep learning methods specifically used for image data, using the VGG19 architecture which has been proven in the classification process. The data used in this study comes from kaggle with a total of 12,446 data. Through the use of CNN model with VGG19 architecture, this study succeeded in automatically detecting diseases on kidney CT-Scan with the best training accuracy reaching 95%.

Penyakit ginjal telah menjadi masalah global yang signifikan. Menurut World Cancer Research Fund International, ada lebih dari 434.840 kasus baru kanker ginjal pada tahun 2022 dengan angka kematian sebanyak 155.953 kasus sehingga menempatkan kanker ginjal sebagai penyebab kematian paling umum ke-16. Namun, analisis CT-Scan secara manual memakan waktu dan rentan terhadap kesalahan manusia. Sehingga dapat menimbulkan masalah bagi para dokter atau radiologis, yang sering kali menyebabkan penundaan deteksi tumor. Maka, pada penelitian ini bertujuan untuk mengklasifikasikan penyakit pada ginjal dengan menggunakan metode CNN (Convolutional Neural Network) yang merupakan salah satu metode deep learning yang khusus digunakan untuk citra data, dengan menggunakan arsitektur VGG19 yang telah terbukti dalam proses klasifikasi. Data yang digunakan pada penelitian ini bersumber dari kaggle dengan total data 12.446. Melalui penggunaan model CNN dengan arsitektur VGG19, penelitian ini berhasil secara otomatis mendeteksi penyakit pada CT-Scan ginjal dengan akurasi pelatihan terbaik mencapai 95%.