Penyakit Gagal ginjal kronis (GGK) merupakan penyakit yang
mempengaruhi fungsi yang ada pada ginjal,akibatnya ginjal tidak bisa berfungsi dengan baik yang akan memberikan efek pada tubuh,penyakit ginjal kronis merupakan masalah kesehatan yang ada di seluruh dunia dengan hasil yang sangat merugikan bagi penderitanya dan menyebabkan kematian.Pada kasus ini dibutuhkannya pencarian model mesin pembelajaran terbaik untuk pengklasifikasian pada penyakit ini.Untuk penelitian ini digunakannya algoritma K-Nearest Neighbor dan Random Forest menggunakan model perhitungan Precision, Recall, F1-Score dan Akurasi yang akan dihasilkan.Pada proses pembuatan mesin pembelajaran algoritma K-Nearest Neighbor dan Random Forest dilakukan klasifikasi pada data penyakit ginjal kronis berdasarkan 25 gejala dari 400 individu dengan total 250 ckd (chronic kidney disease) dan 150 notckd (not chornic kidney disease).Hasil dari proses mesin pembelajaran menggunakan algoritma K-Nearest Neighbor menghasilkan Precision 97%, Recall 100%, F1-Score 98% untuk kelas ckd dan Precision 100%, Recall 95%, F1-Score 97% untuk kelas notckd dari keseluruhan menghasilkan rata-rata akurasi sebesar 98% untuk algoritma Random Forest menghasilkan Precision 98%,Recall 100%,F1-Score 99% untuk kelas ckd dan Precision 100%, Recall 97%, F1-Score 99% untuk kelas notckd dari keseluruhan menghasilkan rata-rata akurasi sebesar 99%.

Chronic kidney disease (CKD) is a disease that affects the existing functions of the kidneys, as a result the kidneys cannot function properly which will have an effect on the body, chronic kidney disease is a health problem that exists throughout the world with very detrimental results for sufferers and cause death. In this case, it is necessary to find the best machine learning model for classifying this disease. For this study, the K-Nearest Neighbor and Random Forest algorithms are used using the Precision, Recall, F1-Score and Accuracy calculation models that will be generated. In the process of making machine learning algorithms K-Nearest Neighbor and Random Forest, classification of chronic kidney disease data is carried out based on 25 symptoms from 400 individuals with a total of 250 ckd (chronic kidney disease) and 150 notckd (not chronic kidney disease). The results of the machine learning process using the KNearest Neighbor algorithm produce 97% Precision, 100% Recall, 98%, F1Score for the ckd class and 100% Precision, 95% Recall, F1-Score 97% for the notckd class of the whole produces an average 98% accuracy for the Random Forest algorithm produces 98% Precision, 100% Recall, 99% F1-Score for the ckd class and 100% Precision, 97% Recall, 99% F1-Score for the notckd class of the whole produces an average accuracy of 99%.