<![CDATA[Penyakit gagal jantung merupakan salah satu kondisi serius yang terjadi akibat ketidakmampuan jantung untuk memompa darah secara efektif ke seluruh tubuh. Tingginya prevalensi penyakit gagal jantung yang membutuhkan metode deteksi yang akurat dan cepat untuk meningkatkan prognosis pasien. Identifikasi dini penyakit gagal ginjal dapat membantu penderita dalam pengambilan keputusan klinis yang lebih baik. Tujuan penelitian ini adalah untuk mengembangkan model klasifikasi yang dapat secara efektif membedakan antara pasien dengan gagal jantung dan yang tidak, menggunakan algoritma K-Nearest Neighbor (K-NN). Data yang digunakan berjumlah 184 sampel. Metode yang digunakan dalam penelitian ini melibatkan beberapa tahap, mulai dari persiapan dataset, pembagian data menjadi set pelatihan dan pengujian, penerapan algoritma K-NN, hingga evaluasi model menggunakan metrik akurasi, presisi, dan recall. Hasil penelitian menunjukkan bahwa model K-NN yang dikembangkan memiliki akurasi sebesar 70.65%, dengan nilai presisi untuk kelas positif (M) sebesar 79.74% dan kelas negatif (F) sebesar 25.81%. Recall untuk kelas positif (M) mencapai 84.14%, sedangkan recall untuk kelas negatif (F) hanya 20.51%. Kesimpulan dari penelitian ini adalah bahwa model K-NN memiliki kinerja yang cukup baik dalam mengklasifikasikan penyakit gagal jantung, terutama dalam mendeteksi kasus positif.]]>
Copyrights © 0000
