<![CDATA[Anemia merupakan masalah kesehatan global yang ditandai dengan penurunan kadar hemoglobin, yang jika tidak dideteksi secara dini dapat menyebabkan komplikasi serius seperti gangguan psikomotorik dan peningkatan risiko maternal. Penelitian ini bertujuan untuk mengoptimalkan sistem klasifikasi anemia dengan mengintegrasikan algoritma K-Nearest Neighbor (kNN) dan Kangaroo Optimization Algorithm (KOA) guna meningkatkan akurasi diagnosis melalui seleksi fitur dan optimasi parameter. Metode penelitian ini mencakup prapemrosesan data Complete Blood Count (CBC) dari dataset klinis, yang kemudian diproses menggunakan KOA untuk mengidentifikasi subset fitur paling relevan dan menentukan nilai k optimal pada kNN berdasarkan mekanisme regulasi energi dan perilaku melompat kangguru. Hasil analisis menunjukkan bahwa integrasi KOA secara signifikan mengatasi kelemahan kNN standar terhadap dimensi data tinggi, meningkatkan akurasi klasifikasi hingga mencapai level kompetitif di atas 94% dibandingkan metode tanpa optimasi yang hanya mencapai kisaran 71%. Simpulan dari penelitian ini menegaskan bahwa pendekatan metaheuristik berbasis kangguru sangat efektif dalam meminimalkan kesalahan diagnosis medis, memberikan kontribusi penting bagi pengembangan sistem pendukung keputusan klinis yang cepat dan reliabel untuk tenaga medis dalam menangani kasus anemia secara global.]]>
Copyrights © 2026
