Perbandingan Algoritma K-Nearest Neighbor dan Decision Tree Untuk Prediksi Diabetes

Abstract

Perkembangan teknologi informasi telah meningkatkan ketersediaan data dalam jumlah besar sehingga diperlukan metode klasifikasi yang mampu menghasilkan prediksi secara akurat. Salah satu penerapan klasifikasi yang penting adalah prediksi penyakit diabetes untuk membantu proses pengambilan keputusan di bidang kesehatan. Penelitian ini bertujuan membandingkan kinerja algoritma K-Nearest Neighbor (KNN) dan Decision Tree dalam memprediksi diabetes serta menentukan algoritma dengan performa terbaik. Dataset yang digunakan adalah Diabetes Prediction Dataset yang diperoleh dari Kaggle, terdiri atas 100.000 data, kemudian dilakukan proses preprocessing berupa penghapusan data duplikat, one-hot encoding pada atribut kategorikal, normalisasi data menggunakan StandardScaler, serta pembagian data latih dan data uji dengan rasio 80:20. Algoritma KNN dioptimalkan melalui pengujian beberapa nilai K, sedangkan Decision Tree dioptimalkan menggunakan GridSearchCV. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memberikan performa yang lebih baik dibandingkan KNN dengan nilai accuracy sebesar 97%, sedangkan KNN memperoleh accuracy sebesar 96%. Selain itu, Decision Tree menghasilkan nilai recall dan F1-score yang lebih tinggi pada kelas positif diabetes sehingga lebih efektif dalam mengidentifikasi pasien yang berpotensi menderita diabetes. Berdasarkan hasil tersebut, Decision Tree direkomendasikan sebagai algoritma yang lebih sesuai untuk prediksi diabetes pada dataset yang digunakan.