<![CDATA[Penyakit jantung merupakan salah satu penyebab kematian tertinggi di dunia, sehingga keterlambatan diagnosis menjadi masalah krusial yang berdampak langsung pada peningkatan angka mortalitas, terutama karena proses skrining konvensional masih bergantung pada pemeriksaan klinis manual yang memakan waktu dan rentan terhadap variasi interpretasi antar tenaga medis. Permasalahan ini mendorong kebutuhan akan sistem deteksi dini berbasis data yang mampu mengklasifikasikan risiko penyakit jantung secara cepat dan konsisten. Penelitian ini menerapkan algoritma K-Nearest Neighbor (KNN) sebagai solusi klasifikasi menggunakan dataset UCI Heart Disease yang terdiri dari 303 rekam data pasien dengan 13 fitur klinis. Tujuan penelitian ini adalah membangun model klasifikasi yang mampu membedakan pasien dengan dan tanpa penyakit jantung secara akurat, sekaligus mengidentifikasi nilai k optimal dan fitur klinis paling berpengaruh, sebagai kontribusi berupa model skrining awal yang dapat diimplementasikan pada fasilitas kesehatan. Data diproses melalui normalisasi Min-Max Scaling, kemudian dibagi dengan rasio 80:20 menggunakan stratified sampling sehingga diperoleh 242 data training dan 61 data testing. Eksperimen dilakukan terhadap tujuh nilai k (1, 3, 5, 7, 9, 11, 13). Hasil eksperimen menunjukkan bahwa nilai k=1 memberikan akurasi tertinggi sebesar 83,61% dengan precision 81,08%, recall 90,91%, dan F1-score 85,71% pada data testing. Fitur thal (thalassemia), cp (chest pain type), dan ca (number of major vessels) terbukti menjadi atribut klinis paling berpengaruh berdasarkan analisis korelasi terhadap label target. Hasil ini menunjukkan bahwa model KNN dengan normalisasi Min-Max Scaling layak digunakan sebagai alat bantu skrining awal penyakit jantung di fasilitas kesehatan.]]>
Copyrights © 2026
