Analisis Akurasi Algoritma K-Nearest Neighbor Untuk Diagnosis Penyakit Jantung Pada Lansia

Abstract

Penyakit jantung adalah salah satu penyebab utama kematian di dunia, terutama pada populasi lansia, yang sering kali sulit dideteksi pada tahap awal karena gejala yang tidak spesifik. Oleh karena itu, diperlukan metode diagnosis yang lebih cepat dan efisien, seperti penerapan algoritma pembelajaran mesin. Penelitian ini bertujuan untuk mengevaluasi akurasi algoritma K-Nearest Neighbor (KNN) dalam mendiagnosis penyakit jantung pada lansia, dengan menggunakan dataset yang diperoleh dari Kaggle dan terdiri dari 918 data pasien. Data tersebut disaring untuk usia lansia (60 tahun ke atas), menghasilkan 253 data yang digunakan dalam klasifikasi. Empat nilai k (3, 5, 7, dan 9) diuji untuk menentukan nilai k terbaik dalam mengklasifikasikan penyakit jantung. Hasil evaluasi menunjukkan bahwa model dengan k = 9 memiliki performa terbaik dengan nilai recall tertinggi (0.93) dan F1-Score sebesar 0.81, meskipun dengan akurasi yang sedikit lebih rendah (0.68). K = 5 memberikan keseimbangan terbaik antara precision (0.72) dan recall (0.85), dengan F1-Score 0.78. Berdasarkan hasil ini, K = 9 lebih efektif untuk aplikasi medis yang mengutamakan deteksi lebih banyak kasus positif, meskipun mengorbankan sedikit precision. Penelitian ini dapat memberikan kontribusi untuk pengembangan sistem diagnosis penyakit jantung yang lebih cepat, efisien, dan akurat pada lansia, dengan harapan dapat meningkatkan deteksi dini penyakit jantung.