<![CDATA[Penyakit liver merupakan salah satu gangguan kesehatan yang memerlukan deteksi secara tepat karena gejalanya sering kali tidak spesifik. Klasifikasi berbasis data dapat digunakan untuk membantu mengidentifikasi pasien yang berpotensi mengalami penyakit liver. Penelitian ini bertujuan menerapkan metode K-Nearest Neighbor (KNN) untuk klasifikasi penyakit liver serta mengoptimasi hyperparameter KNN menggunakan Genetic Algorithm (GA). Dataset yang digunakan adalah Indian Liver Patient Dataset (ILPD) yang terdiri dari 583 data. Tahapan penelitian meliputi preprocessing berupa penanganan missing value, penghapusan data duplikat, transformasi variabel kategorikal, dan standardisasi data. Proses klasifikasi dievaluasi menggunakan 10-Fold Cross Validation. Dataset memiliki distribusi kelas yang tidak seimbang, sehingga evaluasi menggunakan beberapa metrik diperlukan untuk melihat kemampuan model secara lebih menyeluruh dan menghindari penilaian yang hanya berfokus pada accuracy. Pada model KNN dengan optimasi Genetic Algorithm, ruang pencarian hyperparameter meliputi jumlah tetangga (n_neighbors), metode pembobotan (weights), dan metrik jarak (metric). Hasil optimasi menghasilkan kombinasi hyperparameter terbaik berupa n_neighbors=2, weights=distance, dan metric=euclidean. Hasil evaluasi menunjukkan bahwa model KNN menghasilkan Accuracy sebesar 68,94%, Precision sebesar 67,76%, Recall sebesar 68,94%, dan F1-Score sebesar 68,01%. Sementara itu, model KNN yang dioptimasi menggunakan Genetic Algorithm menghasilkan Accuracy sebesar 69,12%, Precision sebesar 62,57%, Recall sebesar 69,12%, dan F1-Score sebesar 63,94%. Dengan demikian, optimasi Genetic Algorithm meningkatkan Accuracy dan Recall sebesar 0,18%, tetapi menurunkan Precision sebesar 5,19% dan F1-Score sebesar 4,07%. Hasil tersebut menunjukkan bahwa optimasi hyperparameter menggunakan Genetic Algorithm memberikan perubahan terhadap karakteristik kinerja KNN, tetapi belum meningkatkan seluruh metrik evaluasi secara bersamaan.]]>
Copyrights © 2026
