Analisis Kinerja Algoritma K-Nearest Neighbor dalam Klasifikasi Penyakit Liver
Keywords:
Penyakit Liver, K-Nearest Neighbor, Machine Learning, ILPDAbstract
Penyakit liver merupakan kondisi medis yang dapat mengalami perkembangan secara perlahan dan berpotensi menimbulkan komplikasi berat apabila tidak terdeteksi sejak tahap awal. Oleh sebab itu, diperlukan penerapan metode komputasi yang dapat mendukung proses diagnosis secara efisien dan akurat. Penelitian ini bertujuan untuk mengkaji performa algoritma K-Nearest Neighbor (KNN) dalam proses klasifikasi penyakit liver dengan memanfaatkan Indian Liver Patient Dataset (ILPD). Tahapan penelitian meliputi analisis awal dataset, pelaksanaan pra-pemrosesan data, pemisahan data menjadi data pelatihan dan pengujian, pembangunan model KNN, serta evaluasi kinerja menggunakan confusion matrix, classification report, dan pengujian variasi nilai parameter K. Pengujian awal dengan nilai K = 5 menghasilkan tingkat akurasi sebesar 66,67%. Selanjutnya dilakukan serangkaian eksperimen dengan mengubah nilai K dari 1 hingga 20 guna memperoleh konfigurasi terbaik. Hasil pengujian menunjukkan bahwa performa optimal dicapai pada K = 15 dengan akurasi tertinggi sebesar 76,06%. Evaluasi lebih lanjut memperlihatkan bahwa model memiliki kemampuan yang lebih baik dalam mengenali pasien penderita penyakit liver dibandingkan pasien non-penderita. Berdasarkan temuan tersebut, algoritma KNN dinilai layak digunakan sebagai metode klasifikasi penyakit liver, dan proses optimasi parameter K terbukti mampu meningkatkan kinerja model secara signifikan.References
I. N. Abrar, A. Abdullah, and S. Sucipto, “Liver Disease Classification Using the Elbow Method to Determine Optimal K in the K-Nearest Neighbor (K-NN) Algorithm,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 12, no. 2, pp. 218–228, 2023.
Jupron and Sutrisno, “Analysis of Heart Disease Using the Random Forest Method,” J. Inotera, vol. 10, no. 1, pp. 167–174, 2025.
P. Singh, A. K. Yadav, and S. Gangwar, “Forecasting Liver Disorders with Machine Learning Models,” Int. J. Recent Innov. Trends Comput. Commun., vol. 11, no. 9, pp. 237–243, 2023.
S. R. Velu, V. Ravi, and K. Tabianan, “Data mining in predicting liver patients using classification model,” Health Technol. (Berl)., vol. 12, no. 6, pp. 1211–1235, 2022.
T. A. Assegie, “Support Vector Machine And K-Nearest Neighbor Based Liver Disease Classification Model,” Indones. J. Electron. Electromed. Eng. Med. informatics, vol. 3, no. 1, pp. 9–14, 2021.
A. Ganji, D. Usha, and P. S. Rajakumar, “Enhanced Early Diagnosis of Liver Diseases Using Feature Selection and Machine Learning Techniques on the Indian Liver Patient Dataset,” Scalable Comput. Pract. Exp., vol. 26, no. 3, pp. 1104–1115, 2025.
A. Z. Al Wafi, F. P. Rochim, and V. Bezaleel, “Investigating Liver Disease Machine Learning Prediction Performancethrough Various Feature Selection Methods,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 24, no. 3, pp. 505–518, 2025.
P. Koukaras and C. Tjortjis, “Data Preprocessing and Feature Engineering for Data Mining: Techniques, Tools, and Best Practices,” AI, vol. 6, no. 10, 2025.
P. Yasodha, “Data Preprocessing Methods for Machine Learning: An Empirical Comparison,” Int. J. Multidiscip. Res., vol. 7, no. 3, pp. 1–7, 2025.
Y. Dimas Pratama and A. Salam, “Comparison of Data Normalization Techniques on KNN Classification Performance for Pima Indians Diabetes Dataset,” J. Appl. Informatics Comput., vol. 9, no. 3, pp. 693–706, 2025.
