OPTIMASI ALGORITMA K-NEAREST (KNN) NEIGHBORS PADA PREDIKSI RISIKO PENYAKIT KARDIOVASKULAR

Abstract

Penyakit kardiovaskular merupakan penyebab utama kematian di dunia, dipengaruhi oleh berbagai faktor risiko yang kompleks. Deteksi dini sangat penting untuk mencegah komplikasi serius. Penelitian ini bertujuan mengembangkan model prediksi risiko penyakit kardiovaskular menggunakan algoritma K-Nearest Neighbors (K-NN) dan menentukan nilai K optimal untuk meningkatkan akurasi prediksi. Metodologi yang digunakan adalah Knowledge Discovery in Databases (KDD), mencakup pemilihan data, pembersihan data, transformasi data, pemilihan atribut, evaluasi, dan validasi model. Dataset yang digunakan terdiri dari variabel medis seperti usia, berat badan, tekanan darah, kadar kolesterol, dan riwayat medis lainnya. Data dibagi dengan rasio 70:30 dan 80:20 untuk mengevaluasi performa model pada pembagian data yang berbeda. Hasil menunjukkan bahwa nilai K = 40 memberikan akurasi terbaik sebesar 71,00% pada rasio 70:30, sedangkan nilai K = 25 menghasilkan akurasi 71,16% pada rasio 80:20. Kesimpulan penelitian ini adalah algoritma K-NN mampu memprediksi risiko penyakit kardiovaskular dengan baik, bergantung pada pemilihan nilai K dan rasio pembagian data yang optimal. Penelitian ini berkontribusi dalam pengembangan model prediksi risiko penyakit kardiovaskular dan menjadi referensi untuk diagnosis dini di masa depan.