OPTIMASI AKURASI PREDIKSI PENYAKIT DIABETES MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR DAN SMOTE

Diabetes mellitus merupakan penyakit kronis yang mengakibatkan ancaman kesehatan secara serius, sebab komplikasinya sering kali muncul tanpa gejala yang jelas sehingga memerlukan penanganan dan deteksi dini yang tepat untuk menghindari komplikasi berat. Data mining dapat dimanfaatkan dalam bidang kesehatan dapat membantu proses klasifikasi penyakit perdasarkan data pasien. Permasalahan yang sering ditemui pada data kesehatan adalah ketidakseimbangan distribusi kelas pada data kesehatan berpotensi menurunkan kinerja algoritma klasifikasi. Penelitian ini bertujuan untuk menganalisis pengaruh penerapan teknik Synthetic Minority Over-sampling Technique (SMOTE) terhadap kinerja algoritma K-Nearest Neighbor (KNN) dalam klasifikasi diabetes mellitus. Dataset yang digunakan merupakan data diabetes mellitus dengan distribusi kelas yang tidak seimbang. Analisis dilakukan berdasarkan sejumlah kriteria medis utama, meliputi kadar glukosa, indeks massa tubuh (BMI), usia, kadar insulin, tekanan darah, serta riwayat kehamilan, yang seluruhnya diperoleh dari dataset medis yang telah melalui proses normalisasi. Proses penelitian dilaksanakan menggunakan perangkat lunak Altair Studio, dengan algoritma KNN yang diterapkan menggunakan nilai parameter K=3, K=5, dan K=10 dan teknik SMOTE untuk menyeimbangkan kelas minoritas. Hasil penelitian menunjukkan penerapan SMOTE terhadap klasifikasi KNN memberikan kurasi rata-rata sebesar 2,07%.