Penyakit ginjal kronis (PGK) merupakan salah satu masalah kesehatan global yang serius karena sering kalitidak menunjukkan gejala pada tahap awal dan berisiko menyebabkan gagal ginjal. Penelitian ini bertujuanuntuk mengembangkan model prediksi dini penyakit ginjal kronis menggunakan tiga algoritma yaitu Random Forest, Support Vector Machine (SVM), dan Long Short-Term Memory (LSTM), serta mengimplementasikannya dalam sistem berbasis web menggunakan framework Flask. Metodologi CRISP-DM digunakan dalam tahapan pengembangan yang meliputi eksplorasi data, pembersihan data, pelatihan model, evaluasi, dan implementasi. Dataset yang digunakan bersumber dari UCI dengan total 26 fitur medis. Evaluasi performa dilakukan dengan metrik akurasi, presisi, recall, dan F1- score. Berdasarkan hasil evaluasi, model Random Forest menunjukkan performa terbaik dengan akurasi sebesar 99,1% pada skenariopembagian data 70:30. Sistem prediksi berbasis Flask dirancang untuk memudahkan tenaga medis dalam melakukan prediksi tanpa perlu memahami aspek teknis pemrograman. Selain itu, sistem juga dilengkapidengan visualisasi kontribusi fitur menggunakan LIME untuk meningkatkan interpretabilitas hasil prediksi. Penelitian ini diharapkan dapat memberikan solusi praktis dan akurat dalam mendukung deteksi dini penyakitginjal kronis serta menjadi kontribusi dalam penerapan teknologi kecerdasan buatan di bidang kesehatan.
Kata Kunci: Penyakit Ginjal Kronis, Random Forest, SVM, LSTM, Flask