PENERAPAN ALGORITMA K NEAREST NEIGHBOR UNTUK PREDIKSI AKURASI PENYAKIT DIABATES

• ERIKA TAMPUBOLON

---

ABSTRAK

ABSTRAK

 

Erika Tampubolon (12200035), Penerapan Algoritma K Nearest Neighbor Untuk Prediksi Akurasi Penyakit Diabetes

 

Diabetes mellitus merupakan salah satu penyakit kronis yang prevalensinya terus meningkat di seluruh dunia. Deteksi dini diabetes sangat penting untuk penanganan dan pencegahan komplikasi. Penelitian ini bertujuan untuk mengembangkan model prediksi diabetes menggunakan algoritma K-Nearest Neighbor (KNN) berdasarkan dataset Pima Indians Diabetes. Proses penelitian meliputi preprocessing data, implementasi algoritma KNN, dan evaluasi model. Preprocessing data mencakup

penanganan nilai nol, imputasi nilai yang hilang, dan normalisasi fitur. Implementasi KNN dilakukan dengan mencari nilai K optimal melalui cross-validation. Hasil penelitian menunjukkan bahwa model KNN dengan nilai K optimal 27 mencapai akurasi 75,32% dalam memprediksi diabetes. Analisis performa model menunjukkan presisi 0,67 dan recall 0,57 untuk kasus positif diabetes. Algoritma KNN dapat memberikan prediksi yang akurat untuk deteksi penyakit diabetes berdasarkan data

yang tersedia, hal ini dapat diterapkan dalam sistem diagnostik atau aplikasi kesehatan untuk membantu profesional medis dalam mengidentifikasi risiko diabetes secara lebih efektif sehingga intervensi dini dapat dilakukan. Meskipun model menunjukkan kinerja yang cukup baik, masih terdapat ruang untuk peningkatan, terutama dalam mengurangi false negatives. Penelitian ini menyoroti potensi penggunaan algoritma KNN dalam screening diabetes dan memberikan dasar untuk pengembangan lebih lanjut dalam prediksi penyakit menggunakan teknik machine learning.

Kata kunci : Diabetes, K-Nearest Neighbor (KNN), Prediksi

KATA KUNCI

Penerapan Algoritma,NEAREST NEIGHBOUR

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

 

[1] N. Maulidah, R. Supriyadi, D. Y. Utami, F. N. Hasan, A. Fauzi, and A.Christian, “Prediksi Penyakit Diabetes Melitus Menggunakan Metode Support Vector Machine dan Naive Bayes,” Indones. J. Softw. Eng., vol. 7, no. 1, pp. 63–68, 2021, doi: 10.31294/ijse.v7i1.10279.

 

[2] R. A. Siallagan and Fitriyani, “Prediksi Penyakit Diabetes Mellitus Menggunakan Algoritma C4.5,” J. Responsif Ris. Sains dan Inform., vol. 3, no.1, pp. 44–52, 2021, doi: 10.51977/jti.v3i1.407.

 

[3] H. Apriyani and K. Kurniati, “Perbandingan Metode Naïve Bayes Dan Support Vector Machine Dalam Klasifikasi Penyakit Diabetes Melitus,” J. Inf. Technol. Ampera, vol. 1, no. 3, pp. 133–143, 2020, doi: 10.51519/journalita.volume1.isssue3.year2020.page133-143.

 

[4] D. Hardianto, “Telaah Komprehensif Diabetes Melitus: Klasifikasi, Gejala, Diagnosis, Pencegahan, Dan Pengobatan,” J. Bioteknol. Biosains Indones., vol. 7, no. 2, pp. 304–317, 2021, doi: 10.29122/jbbi.v7i2.4209.

 

[5] R. P. Kurniadi, R. R. Saedudin, and V. P. Widartha, “Perbandingan Akurasi Algoritma K-Nearest Neighbor Dan Logistic Regression Untuk Klasifikasi Penyakit Diabetes,” e-Proceeding Eng., vol. 8, no. 5, pp. 9757–9764, 2021.

 

[6] M. Sholeh, D. Andayati, and R. Y. Rachmawati, “Data Mining Model Klasifikasi Menggunakan Algoritma K-Nearest Neighbor Dengan Normalisasi Untuk Prediksi Penyakit Diabetes,” TeIKa, vol. 12, no. 02, pp. 77–87, 2022, doi: 10.36342/teika.v12i02.2911.

 

[7] S. I. Fernanda, D. E. Ratnawati, and P. P. Adikara, “Identifikasi Penyakit Diabetes Mellitus Menggunakan Metode Modified K- Nearest Neighbor (MKNN ),” J. Pengemb. Teknol. Inf. dan Ilmu KomputerFernanda, S. I.,Ratnawati, D. E., Adikara, P. P. (2017). Identifikasi Penyakit Diabetes Mellit.

Menggunakan Metod. Modif. K- Nearest Neighbor ( MKNN ). J. Pengemb.Teknol. Inf. , vol. 1, no. 6, pp. 507–513, 2017.

 

[8] M. S. Mustafa and I. W. Simpen, “Perancangan Aplikasi Prediksi Kelulusan Tepat Waktu Bagi Mahasiswa Baru Dengan Teknik Data Mining (Studi Kasus:Data Akademik Mahasiswa STMIK Dipanegara Makassar),” Creat. Inf. Technol. J., vol. 1, no. 4, p. 270, 2015, doi: 10.24076/citec.2014v1i4.27.

 

[9] M. F. Salim and S. Sugeng, “Analisis Rekam Medis Pasien Diabetes Mellitus Melalui Implementasi Teknik Data Mining di RSUP Dr. Sardjito Yogyakarta,”J. Kesehat. Vokasional, vol. 2, no. 2, p. 167, 2018, doi: 10.22146/jkesvo.30331.

 

[10] M. Syukri Mustafa and I. Wayan Simpen, “Implementasi Algoritma K-NearestNeighbor (KNN) Untuk Memprediksi Pasien Terkena Penyakit Diabetes Pada Puskesmas Manyampa Kabupaten Bulukumba,” Februari, vol. 2019, no. 1, pp.1–10, 2019.

 

[11] M. M. Baharuddin, H. Azis, and T. Hasanuddin, “Analisis Performa Metode K- 41 Nearest Neighbor Untuk Identifikasi Jenis Kaca,” Ilk. J. Ilm., vol. 11, no. 3, pp.269–274, 2019, doi: 10.33096/ilkom.v11i3.489.269-274.

 

[12] I. Ahmad, S. Samsugi, and Y. Irawan, “Implementasi Data Mining Sebagai Pengolahan Data,” J. Teknoinfo, vol. 16, no. 1, p. 46, 2022, [Online]. Available: http://portaldata.org/index.php/portaldata/article/view/107

[13] I. Wisnuadji Gamadarenda and I. Waspada, “Implementation of Data Mining for the Detection of Chronic Kidney Disease (Ckd) Using K-Nearest Neighbor (Knn) With Backward Elimination,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 2, pp. 417–426, 2020, doi: 10.25126/jtiik.202071896.

 

[14] A. Asmarani et al., “Implementasi Algoritma K-Nearst Neighbor Untuk Memprediksi Penyakit Diabetes,” J. Inform. Dan Rekayasa Komputer(JAKAKOM), vol. 2, no. 2, pp. 231–239, 2022, doi:10.33998/jakakom.2022.2.2.110.

 

[15] S. AULIA, S. HADIYOSO, and D. N. RAMADAN, “Analisis Perbandingan KNN dengan SVM untuk Klasifikasi Penyakit Diabetes Retinopati berdasarkan Citra Eksudat dan Mikroaneurisma,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 3, no. 1, p. 75, 2015, doi: 10.26760/elkomika.v3i1.75.

 

[16] M. Arsyam and M. Yusuf Tahir, “Ragam Jenis Penelitian dan Perspektif,” Al-Ubudiyah J. Pendidik. dan Stud. Islam, vol. 2, no. 1, pp. 37–47, 2021, doi: 10.55623/au.v2i1.17.

 

[17] S. Wahono and H. Ali, “Peranan Data Warehouse, Software Dan Brainware Terhadap Pengambilan Keputusan (Literature Review Executive Support Sistem for Business),” J. Ekon. Manaj. Sist. Inf., vol. 3, no. 2, pp. 225–239, 2021, doi: 10.31933/jemsi.v3i2.781.