Penerapan Algoritma K-Nearest Neighbor Untuk Deteksi Dini Diabetes Melitus Berdasarkan Rekam Medis Pasien Rawat Inap di RSD dr. Soebandi Jember

Yunitasari, Arleni Aulia (2025) Penerapan Algoritma K-Nearest Neighbor Untuk Deteksi Dini Diabetes Melitus Berdasarkan Rekam Medis Pasien Rawat Inap di RSD dr. Soebandi Jember. Undergraduate thesis, Politeknik Negeri Jember.

	Text (Abstract) Abstract.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (259kB)
	Text (Bab 1 Pendahuluan) Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (373kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (235kB)
	Text (Laporan Lengkap) Laporan Lengkap.pdf - Submitted Version Restricted to Registered users only Download (5MB) | Request a copy

Abstract

Di RSD dr. Soebandi Jember, separuh pasien Diabetes Melitus (DM) terdiagnosis setelah komplikasi, dan DM menjadi penyebab kematian ketiga tertinggi untuk penyakit tidak menular dengan persentase 13,6%. Dampak yang terjadi yaitu peningkatan angka mortalitas dan morbiditas akibat penyakit DM dan keterlambatan penegakan diagnosis DM. Penelitian ini bertujuan mengembangkan sistem deteksi dini DM berbasis website menggunakan algoritma K-Nearest Neighbor (K-NN). Metode pengembangan yang digunakan adalah Waterfall, meliputi tahapan communication, planning, modeling, construction, dan deployment. Data diambil dari rekam medis pasien rawat inap sebanyak 342 data, dan setelah preprocessing diperoleh 164 data bersih. Variabel yang digunakan terdiri dari usia, jenis kelamin, riwayat keluarga, tekanan darah, gula darah acak, dan indeks massa tubuh (IMT). Data dibagi dengan teknik stratified sampling (50:50), dan nilai K=5 dipilih berdasarkan performa terbaik. Pengujian fungsionalitas dilakukan dengan metode blackbox testing untuk memastikan seluruh fitur sistem berjalan sesuai fungsinya. Pengujian kinerja sistem dilakukan dengan membandingkan hasil klasifikasi sistem terhadap data uji. Hasil menunjukkan bahwa sistem deteksi dini ini memiliki tingkat accuracy sebesar 97,56%, precision 100%, dan recall 95,83%. Berdasarkan hasil penelitian dengan akurasi tinggi dan kesesuaian hasil dengan tools WEKA, sistem ini diharapkan menjadi alat bantu skrining awal pasien serta mendukung upaya pencegahan dan pengendalian kasus DM. Saran untuk sistem ini dapat dikembangkan lebih komprehensif, dengan menambahkan variabel faktor risiko DM yang belum ada pada formulir deteksi, agar sistem dapat mengumpulkan informasi yang lebih rinci dalam proses klasifikasi.

Actions (login required)

View Item