Implementasi Algoritma K-Nearest Neighbor dalam Prediksi Diabetes Mellitus

Abstract

Diabetes melitus merupakan gangguan metabolik jangka panjang yang ditandai oleh meningkatnya kadar glukosa darah akibat ketidakseimbangan produksi maupun pemanfaatan hormon insulin dalam tubuh. Tingginya angka kejadian diabetes yang terus mengalami peningkatan menegaskan perlunya pendekatan prediksi yang mampu mendukung upaya deteksi dini secara lebih akurat. Penelitian ini mengkaji penerapan algoritma K-Nearest Neighbor (KNN) sebagai metode pembelajaran terawasi untuk melakukan klasifikasi risiko diabetes berdasarkan data medis pasien. Data yang digunakan bersumber dari dataset terbuka Kaggle dengan jumlah 768 sampel yang mencakup beberapa atribut klinis, antara lain kadar glukosa, tekanan darah, indeks massa tubuh, insulin, serta usia. Tahapan penelitian meliputi pengolahan awal data, pemisahan data latih dan data uji, serta proses klasifikasi menggunakan algoritma KNN dengan perhitungan jarak Euclidean. Kinerja model dievaluasi menggunakan parameter akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mampu mencapai tingkat akurasi sebesar 69%, dengan nilai presisi 68%, recall 69%, dan F1-score 68%. Capaian tersebut menunjukkan bahwa algoritma KNN dapat mengidentifikasi pola kedekatan antar data medis secara cukup efektif. Oleh karena itu, algoritma ini berpotensi dikembangkan sebagai sistem pendukung keputusan untuk membantu proses identifikasi dini penyakit diabetes