ESTD PERPUSTAKAAN UNTAD
ESTD PERPUSTAKAAN UNTAD
| JudulKLASIFIKASI DETEKSI ANEMIA MENGGUNAKAN METODE K-NEAREST NEIGHBORS |
| Nama: MOH RAFLI A |
| Tahun: 2026 |
| Abstrak Anemia merupakan kondisi kesehatan global yang serius yang memerlukan metode deteksi yang cepat dan akurat. Penelitian ini bertujuan mengembangkan model klasifikasi untuk mendeteksi anemia menggunakan algoritma K-Nearest Neighbors (KNN). Dataset yang digunakan terdiri dari 1.281 sampel dengan fitur hematologi seperti Gender, Hemoglobin, MCH, MCHC, dan MCV. Tantangan ketidakseimbangan kelas pada dataset berhasil diatasi dengan penerapan teknik Synthetic Minority Oversampling Technique (SMOTE) pada data latih. Optimasi model dilakukan melalui tuning hyperparameter menggunakan Grid Search Cross-Validation untuk menentukan kombinasi optimal parameter n_neighbors, weights, dan metric. Hasil evaluasi pada 285 data uji menunjukkan performa model yang sangat tinggi dengan akurasi 98%. Model mencapai precision 0,95 dan recall 1,00 untuk kelas anemia, serta precision 1,00 dan recall 0,96 untuk kelas tidak anemia, dengan F1-score 0,98 untuk kedua kelas. Hasil ini menunjukkan kemampuan model yang sangat baik dalam mendeteksi kasus anemia secara tepat dengan risiko false negative yang sangat rendah. Model terbaik kemudian diimplementasikan dalam bentuk Application Programming Interface (API) menggunakan framework FastAPI untuk memungkinkan prediksi status anemia secara real-time berdasarkan parameter darah. Penelitian ini berhasil membangun model prediktif yang sangat akurat dan menyediakan prototipe sistem yang potensial untuk integrasi dalam sistem pendukung keputusan medis. Kata Kunci: Anemia, Klasifikasi, K-Nearest Neighbors (KNN), SMOTE, Grid Search, FastAPI, Kecerdasan Buatan, Kesehatan. |