Klasifikasi Penyakit TBC Menggunakan Metode K-Nearest Neighbors (KNN)
DOI:
https://doi.org/10.35473/jamastika.v4i2.4522Abstract
Tuberkulosis (TBC) merupakan penyakit menular yang disebabkan oleh bakteri Mycobacterium tuberculosis dan masih menjadi tantangan besar bagi kesehatan Masyarakat di Indonesia. Penyakit ini dapat menular dengan cepat melalui percikan udara saat penderitabatuk atau bersin, serta berisiko tinggi menular di lingkungan keluarga, untuk mendukung penegakan diagnosis dan pengelompokan penyakit ini, penelitian ini menggunakan algoritma K-Nearest neighbors (KNN) dalam konteks data mining. Data mining Adalah suatu metode yang menggabungkan statistic, matematika, kecerdasan buatan, dan machine learning untuk menemukan pola serta informasi berharga dari sejumlah besar data. KNN dipilih karena kesederhanaannya dan kemudahan dalam pengelompokan data dengan cara menilai kedekatan objek baru, atau “tetangga terdekat” (K). algoritma ini mengelompokkan data berdasarkan jarak terdekat, Dimana hasil baru ditentukan oleh mayoritas kategori dari tetangga terdekatnya. Dalam penelitian ini, digunakan dataset TBC yang terdiri dari 300 data pasien, baik yang terdiagnosis maupun yang tidak. Penelitian ini memanfaatkan perangkat lunak RapideMiner. Hasil dari eskperimen menunjukkan bahwa metode KNN menghasilkan Tingkat akurasi terbesar 75.00% dalam pengelompokan penyakit TBC. Dengan demikian, KNN sangat terbukti efektif dalam melakukan pengklasifikasian, meskipun Tingkat akurasi terakhir masih tergantung pada data yang dianalisis, sehingga dibutuhkan evaluasi serta pembaruan yang berkelanjutan.
Kata Kunci: Klasifikasi penyakit, Tuberkulosis (TBC), K-Nearest Neighbors (KNN), Data Mining, RapidMiner
References
Admojo, F. T., & Ahsanawati. (2020). Gugus Alkohol. Indonesian Journal of Data and Science, 1(2), 34–38.
Andriani, D., & Sukardin, S. (2020). Pengetahuan dan Sikap Keluarga Dengan Pencegahan Penularan Penyakit Tuberculosis (TBC) Di Wilayah Kerja Puskesmas Penana’e Kota Bima. Jurnal Ilmiah Ilmu Keperawatan Indonesia, 10(03), 72–80. https://doi.org/10.33221/jiiki.v10i03.589
Angga Aditya Permana, M. F. R. (2024). G-Tech : Jurnal Teknologi Terapan. G-Tech : Jurnal Teknologi Terapan, 8(1), 186–195. https://ejournal.uniramalang.ac.id/index.php/g-tech/article/view/1823/1229
Artanti, V., Faisal, M., & Kurniawan, F. (2024). Klasifikasi Cardiovascular Diseases Menggunakan Algoritma K-Nearest Neighbors (KNN). Techno.Com, 23(2), 469–481. https://doi.org/10.62411/tc.v23i2.10061
Dewi, S. P., Nurwati, N., & Rahayu, E. (2022). Penerapan Data Mining Untuk Prediksi Penjualan Produk Terlaris Menggunakan Metode K-Nearest Neighbor. Building of Informatics, Technology and Science (BITS), 3(4), 639–648. https://doi.org/10.47065/bits.v3i4.1408
dr. Zakiah Novianti, Sp.P, M. K. (2019). Tuberkulosis Paru Bukan Batuk Biasa. Kemenkes RS Soeradiji Tirtonegoro. https://rsupsoeradji.id/tuberkulosis-paru-bukan-batuk-biasa/
Nazori Suhandi, Rendra Gustriansyah, & Destria, A. (2025). Klasifikasi Penyakit TBC Menggunakan Metode UMAP dan K-NN. Bit-Tech, 7(3), 843–852. https://doi.org/10.32877/bt.v7i3.2227
Nurhayati, L., & Azis, H. (2016). Perancangan Sistem Pendukung Keputusan untuk Proses Kenaikan Jabatan Struktural pada Biro Kepegawaian Setda Propinsi Maluku Utara. Semnasteknomedia Online, 2016, 6–7. https://ojs.amikom.ac.id/index.php/semnasteknomedia/article/view/1183
Puspita Sari, D., Shofia Hilabi, S., & Agustia Hananto. (2023). Penerapan Data Mining Metode K-Nearest Neighbor Untuk Memprediksi Kelulusan Siswa Sekolah Menengah Pertama. SMARTICS Journal, 9(1), 14–19. https://doi.org/10.21067/smartics.v9i1.8088
Rachmadhany Iman, Basuki Rahmat, & Achmad Junaidi. (2024). Implementasi Algoritma K-Means dan Knearest Neighbors (KNN) Untuk Identifikasi Penyakit Tuberkulosis Pada Paru-Paru. Repeater : Publikasi Teknik Informatika Dan Jaringan, 2(3), 12–25. https://doi.org/10.62951/repeater.v2i3.77
