ANALISIS AKURASI ALGORITMA K-NEAREST NEIGHBOR BERBASIS PARTICLE SWARM OPTIMIZATION PADA STUDI KASUS DIAGNOSA PENYAKIT JANTUNG

Abstract

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, sehingga deteksi dini menjadi aspek krusial dalam pengambilan keputusan medis. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi diagnosa penyakit jantung dengan menggabungkan algoritma K-Nearest Neighbor (K-NN),  Particle Swarm Optimization (PSO). K-NN dipilih karena kesederhanaannya dalam klasifikasi berbasis jarak, sementara PSO digunakan untuk mengoptimalkan parameter K secara otomatis guna meningkatkan performa prediksi. Data yang digunakan bersumber dari dataset terbuka berisi 300 data pasien, yang diolah melalui tahapan preprocessing, splitting, dan evaluasi multikolinearitas. Eksperimen dilakukan dengan empat skenario pembagian data (60:40, 70:30, 80:20, dan 90:10) dan perbandingan antara metode K-NN dan KNN-PSO. Hasil pengtestingan menunjukkan bahwa integrasi K-NN dengan PSO menghasilkan peningkatan akurasi signifikan dibandingkan K-NN murni. Akurasi terbaik tercapai pada skenario KNN-PSO dengan 20 partikel dan rasio data training-testing 90:10 dengan nilai K = 4, menghasilkan akurasi sebesar 80%. Temuan ini menunjukkan bahwa penggunaan PSO efektif dalam optimasi parameter pada algoritma K-NN untuk klasifikasi penyakit jantung, serta memberikan potensi untuk pengembangan sistem pendukung keputusan medis yang lebih akurat.