Implementasi Metode K-NN Dalam Klasterisasi Kasus Kesehatan Jantung

Penyakit jantung penyebab kematian nomer satu berdasarkan data yang diperoleh dari WHO (world health organization). Penyakit jantung terjadi ketika darah yang mengalir ke otot jantung berhenti sehingga menyebabkan gangguan jantung. Hal ini menyebabkan adanya kebutuhan mendefinisikan sistem pendukung keputusan yang membantu dokter dalam mengambil keputusan untuk mengambil tindakan pencegahan terhadap penderita penyakit jantung. K-NN (K-Nearest Neighbor) merupakan metode yang sangat sederhana, paling populer, sangat efisien dan efektif untuk pengenalan pola. K-NN merupakan pengklasifikasi lurus ke depan dengan sampel diklasifikasikan berdasarkan kelas tetangga terdekatnya. Basis data medis memiliki volume tinggi. Jika kumpulan data berisi atribut yang berlebihan dan tidak relevan, maka klasifikasi dapat menghasilkan hasil yang kurang akurat. Penelitian ini menerapkan metode klasifikasi K-NN diharapkan dapat mengatasi permasalahan untuk efektifitas dan akurasi dalam mendeteksi kesehatan jantung. Dalam penelitian ini mencakup pengukuran performa, yaitu: presisi, recall, f-measure, dan akurasi menggunakan metode K-NN dengan nilai K = 3. Dataset yang digunakan dari UCI Machine Learning Repository pada 303 pasien penyakit jantung. Hasil yang didapatkan ialah presisi 0.70, recall 0.94, dan f-measure 0.81, dan akurasi 70% yang termasuk dalam klasifikasi baik dari nilai K terdekat sehingga metode K-NN dapat digunakan dalam mendeteksi kesehatan jantung.