Analisis Kinerja dan Akurasi Algoritma K-Nearest Neighbor Pada Dataset Heart Disease
DOI:
https://doi.org/10.35473/jamastika.v5i1.4684Abstract
Since heart disease is the world's largest cause of mortality, early identification is crucial. This research assesses how effectively the KNN algorithm classifies data on heart disease. With k = 3 and an 80:20 split between training and test data, supervised learning was employed. The target function served as the classification label for the Heart Disease Dataset, which includes characteristics associated with heart disease. RapidMiner software was used for the analytical procedure, which included data splitting, normalization, application of the KNN model, and making use of a confusion matrix to assess the model's performance. According to the findings, the KNN algorithm produced a weighted mean recall of 95.00%, a weighted mean precision of 96.15%, a classification error of 4.55%, and an accuracy of 95.45%. These findings support the notion that the KNN algorithm is highly accurate and dependable in identifying possible cardiac problems.
Keywords: heart disease, K-Nearest Neighbor, data mining, accuracy, classification.
Penyakit jantung, penyebab kematian tertinggi di dunia, memerlukan diagnosis cepatTujuan dari studi ini adalah untuk mengevaluasi tingkat akurasi algoritma KNN. dalam mengklasifikasikan data yang berkaitan dengan penyakit jantung. Metode pengajaran supervisi digunakan, dengan parameter k = 3, dan rasio pembagian data pengajaran dan pengujian sebesar 80:20. Dataset yang digunakan berasal dari Dataset Penyakit Jantung, yang mengandung atribut terkait diagnosis penyakit jantung dengan label klasifikasi target. Proses analisis dilakukan melalui perangkat lunak RapidMiner. Ini mencakup proses split data, normalisasi fase, penerapan model KNN, dan evaluasi kinerja model confusion matriks kekacauan. Menurut hasil penelitian, algoritma KNN memiliki nilai akurasi 95,45%. kesalahan klasifikasi sebesar 4,55%, keakuratan rata-rata rata-rata sebesar 95,00%, dan keakuratan rata-rata rata-rata sebesar 96,15%. Hasil ini menunjukkan algoritma KNN memiliki tingkat akurasi hampir sempurna dan cukup andal untuk deteksi potensi dari dataset yang digunakan.
Kata Kunci: klasifikasi, penyakit jantung, data mining, K-Nearest Neighbor, akurasi.
References
Allorerung, Petronilia Palinggik, Angdy Erna, Muhammad Bagussahrir, and Samsu Alam. 2024. “Analisis Performa Normalisasi Data Untuk Klasifikasi K-Nearest Neighbor Pada Dataset Penyakit.” JISKA (Jurnal Informatika Sunan Kalijaga) 9(3):178–91. doi: 10.14421/jiska.2024.9.3.178-191.
Danny, Al, Rian Wibisono, Syahrul Hidayat, Humam Maulana, and Tsubasanofa Ramadhan. n.d. “Comparison of K-Nearest Neighbor and Decision Tree Methods Using Principal Component Analysis Technique in Heart Disease Classification.” 4(2):87–96.
Fatah, Zaehol. 2025. TIK Dan Masyarakat. PT Penamuda Media.
Fredilio, Fredilio, Julfikar Rahmad, Stiven Hamonangan Sinurat, Daniel Ryan Hamonangan Sitompul, Dennis Jusuf Ziegel, and Evta Indra. 2023. “Perbandingan Algoritma K-Nearest Neighbors (K-NN) Dan Random Forest Terhadap Penyakit Gagal Jantung.” Jurnal Teknologi Informatika Dan Komputer 9(1):471–86. doi: 10.37012/jtik.v9i1.1432.
Informasi, Prodi Sistem, Akademi Manajemen, and Komputer Taruna. 2014. “Prediksi Resiko Penyakit Jantung Dan Pembuluh Menggunakan Algoritma K-Nearest Neighbor ( KNN ) Darah.”
Lestari, Mei. 2014. “Penerapan Algoritma Klasifikasi Nearest Neighbor (K-NN) Untuk Mendeteksi Penyakit Jantung.” Faktor Exacta 7(September 2010):366–71.
Nikmatun, Inna Alvi, Universitas Diponegoro, Indra Waspada, and Universitas Diponegoro. 2019. “IMPLEMENTASI DATA MINING UNTUK KLASIFIKASI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR.” 10(2):421–32.
Putri, Ravega Widyawati, Aidina Ristyawan, and M. Najibulloh Muzaki. 2022. “Perbandingan Kinerja Algoritma K-NN Dan NBC Untuk Klasifikasi Penyakit Jantung.” JTECS : Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem & Komputer 2(2):143–54.
Rahmansyah, Nugraha, Shary Armonitha Lusinia, Jln Raya Lubuk Begalung, and Sumatera Barat. 2024. “Analisa Prediksi Penyakit Diabetes Menggunakan Metode Naive Bayes Dan K-NN Teknik Informatika, Universitas Putra Indonesia YPTK.” Journal Of Social Science Research 5:5311–23.
Sahelvi, Elza, Putri Cikita, Riska Mela Sapitri, Rahmaddeni Rahmaddeni, and Lusiana Efrizoni. 2025. “Perbandingan Algoritma K-Nearest Neighbors Dan Random Forest Untuk Rekomendasi Gaya Hidup Sehat Dalam Mencegah Penyakit Jantung.” MALCOM: Indonesian Journal of Machine Learning and Computer Science 5(3):830–40. doi: 10.57152/malcom.v5i3.1972.
Samosir, Amril, M. Said Hasibuan, Wahyu Eko Justino, and Tri Hariyono. 2021. “Komparasi Algoritma Random Forest, Naïve Bayes Dan K- Nearest Neighbor Dalam Klasifikasi Data Penyakit Jantung.” Prosiding Seminar Nasional Darmajaya 1(0):214–22.
Sistem, Jurnal, Ilmu Komputer, Prima Jusikomp, David Sebastian Sipayung, and Syarifah Atika. 2025. “Analisis Akurasi Algoritma K-Nearest Neighbor Untuk Diagnosis Penyakit Jantung Pada Lansia.” 8(2):1–7.
Sugitha, I. Kadek Agga, Agung Triayudi, Endah Tri, and Esti Handayani. 2024. “AT 1 CLASSIFICATION OF HEART DISEASE USING THE K-NEAREST NEIGHBOR ALGORITHM AND LOGISTIC REGRESSION.” 20(March). doi: 10.33480/pilar.v20i2.5742.
Tukan, Maria Anjelina Domu, Alfian Nara Weking, and Dominikus Boli Watomakin. 2025. “Implementasi Algoritma K-Nearest Neighbors Untuk Rekomendasi Diet Tinggi Serat Dalam Mencegah Penyakit Jantung.” RIGGS: Journal of Artificial Intelligence and Digital Business 4(3):899–908. doi: 10.31004/riggs.v4i3.2099.
Utami, Rida, Mahasiswa Program, Studi Informatika, Universitas Potensi, Dosen Program, Studi Informatika, and Universitas Potensi. 2022. “Penggunaan Metode Euclidean Distance Pada Aplikasi Pencarian Lokasi Rumah Sakit Di Kota Medan.” 1(1).
Wu, Wen Tao, Yuan Jie Li, Ao Zi Feng, Li Li, Tao Huang, An Ding Xu, and Jun Lyu. 2021. “Data Mining in Clinical Big Data : The Frequently Used Databases , Steps , and Methodological Models.” 1–12. doi: 10.1186/s40779-021-00338-z.
Yanti, Fitri, Zainal Abidin, and Prodi Informatika Sekolah Tinggi Teknik Pati. 2025. “Analisis Perbandingan Algoritma Decision Tree Dan K-NN (K-Nearest Neighnbor) Dengan Optimasi Bagging Untuk Klasifikasi Penyakit Jantung.” Jurnal Edukasi Elektromatika 6(1):23–40.
Yogianto, Ahmad, Ahmad Homaidi, and Zaehol Fatah. 2024. “G-Tech : Jurnal Teknologi Terapan.” 8(3):1720–28.
Zahri, Firman. 2025. “Perbandingan Naïve Bayes Dan K-Nearest Nighbor (K-Nn) Untuk Klasifikasi Penyakit Gagal Jantung Tugas Akhir.” Journal of Information System Research 6(2):999–1007.
