<![CDATA[Diagnosis dini penyakit hepatitis masih menghadapi tantangan akibat kompleksitas data medis, tingginya variasi hasil laboratorium, serta keberadaan atribut yang tidak relevan sehingga menurunkan kinerja algoritma K-Nearest Neighbor (K-NN). Penelitian ini bertujuan mengembangkan model hibrida Particle Swarm Optimization–K-Nearest Neighbor (PSO-KNN) untuk mengoptimalkan bobot fitur dan parameter K-NN secara simultan guna meningkatkan akurasi klasifikasi penyakit hepatitis. Metode yang digunakan meliputi preprocessing dataset HCV, normalisasi Min-Max, pembagian data latih dan uji sebesar 80:20, serta optimasi menggunakan PSO dengan 20 partikel dan 30 iterasi. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa PSO-KNN meningkatkan akurasi dari 95,1% menjadi 96,7%, presisi dari 88,9% menjadi 100%, recall dari 61,5% menjadi 69,2%, dan F1-score dari 72,7% menjadi 81,8%. Model juga berhasil menghilangkan false positive dan menurunkan false negative. Bobot fitur menunjukkan bahwa ALT, AST, GGT, dan Bilirubin merupakan biomarker yang paling berpengaruh dalam klasifikasi. Dengan demikian, model PSO-KNN terbukti mampu meningkatkan performa klasifikasi, efisiensi komputasi, serta interpretabilitas diagnosis hepatitis, sehingga berpotensi mendukung pengambilan keputusan klinis secara lebih akurat.]]>
Copyrights © 2026
