Optimasi Hyperparameter pada Algoritma K-Nearest Neighbors (KNN) untuk Prediksi Diabetes Berdasarkan Data Klinis Pasien

Abstract

Penelitian ini bertujuan untuk mengoptimalkan algoritma K-Nearest Neighbors (KNN) melalui pendekatan optimasi hyperparameter guna meningkatkan akurasi prediksi diabetes berdasarkan data klinis pasien. Data yang digunakan dalam penelitian ini diperoleh dari UCI Machine Learning Repository dan mencakup berbagai variabel medis seperti usia, kadar gula darah (HbA1c), tekanan darah, kolesterol, serta beberapa parameter laboratorium lainnya. Model KNN digunakan untuk mengklasifikasikan apakah seorang pasien berisiko menderita diabetes atau tidak. Optimasi dilakukan untuk menemukan nilai parameter terbaik seperti jumlah tetangga (k) dan jenis metrik jarak, sehingga kinerja model dapat ditingkatkan secara signifikan. Hasil evaluasi menunjukkan bahwa model baseline menghasilkan akurasi sebesar 90%, sementara model yang telah dioptimalkan meningkat menjadi 91%. Peningkatan juga terjadi pada metrik lain seperti recall, precision, dan f1-score. Penelitian ini membuktikan bahwa penerapan optimasi hyperparameter pada algoritma KNN mampu meningkatkan kemampuan prediktif model dalam klasifikasi risiko diabetes dan memberikan kontribusi dalam pengembangan sistem pendukung keputusan berbasis data klinis.