IMPLEMENTASI

ALGORITMA
KNN UNTUK
PREDIKSI POTENSI
PENYAKIT ASMA
 OUR GROUP

Muhammad Bahauddin Arsyad

(2022020181) Muh Faizhal Satriawan
(2021020108)

Andi Lulu Fakhirah Nur Fadhillah Sarif

(2021020096) (2021020118)
 Abstrak

Jurnal ini mengeksplorasi pemanfaatan

algoritma K-Nearest Neighbors (KNN) dalam
memprediksi potensi penyakit asma. Asma
adalah kondisi pernapasan kronis yang
memengaruhi jutaan orang di seluruh dunia.
 Pendahuluan
Penyakit asma merupakan suatu kelainan yang termanifestasi sebagai peradangan kronik
pada saluran nafas, mengakibatkan bronkus menjadi lebih reaktif terhadap berbagai
rangsangan. Gejala yang sering muncul termasuk batuk, sesak nafas, dan rasa berat di
dada, terutama pada malam atau dini hari, yang cenderung dapat dipulihkan baik dengan
atau tanpa pengobatan.

Metode K-Nearest Neighbors (KNN) merupakan salah satu teknik yang dipakai untuk
mengklasifikasikan objek baru dengan mempertimbangkan sejumlah tetangga terdekat.
Algoritma KNN memiliki sifat yang relatif sederhana dan mudah dimengerti,
menjadikannya populer dalam berbagai penggunaan.
 METODE PENELITIAN
• Dataset
Penelitian ini menggunakan dataset penderita penyakit asma dengan jumlah data 50
yang di peroleh dari puskesmas Manggala
• Prosedur Penelitian
Berikut adalah alur dari prosedur penelitiannya :
 HASIL DAN PEMBAHASAN
• Pengolahan Data Awal
Data penderita penyakit asma yang terlihat pada table 2 adalah data training
sedangkan pada table 3 merupakan data testingnya. Pengisian kolom jenis kelamin
diisi berdaarkan 2 parameter yaitu laki-laki dan perempuan

• Perhitungan Jarak
Kita menggunakan algoritma K-Nearest Neighbor yang melibatkan perhitungan jarak
antara data latih dan data uji. Perhitungan jarak ini dilakukan dengan menggunakan
rumus Euclidean Distance
 Perhitungan jarak dikerjakan dengan rumus algoritma K-Nearest Neighbord yang sudah
ada, berikut dibawah ini merupakan contoh perhitungan jarak data pasien penderita
penyakit gagal jantung ke 14 dan ke 18 terhadap data testing di atas.

1. d14 = √(23-36)2 + (0 - 1)2 + (1 - 11)2 + (0 - 1)2 + (1 - 2)2 + (0 - 1)2 = 16.49

2. d18 = √(33-36)2 + (1 - 1)2 + (5 - 11)2 + (2 - 1)2 + (2 - 2)2 + (1 - 1)2 = 6.78

Nomor Jenis Riwayat Asap Paparan Debu Frekuensi Sesak Potensi Penyakit
Usia
Pasien Kelamin Rokok (Tahun) Rumah Batuk Nafas Asma

Pasien 13 36 1 11 1 2 1 ?
• Hasil Pengujian
Dalam hasil eksperimen, algoritma klasifikasi mencapai tingkat akurasi sebesar
70.00%. Akurasi mengukur sejauh mana model dapat mengklasifikasikan dengan
benar antara kelas positif dan negatif.
Confusion matrix adalah tabel yang digunakan untuk membandingkan hasil prediksi model dengan
data sebenarnya. Pada Confusion matrix di atas terdiri dari empat sel, yaitu:
• True Positive (TP): Prediksi benar, data sebenarnya juga benar terdapat 5 record.
• False Positive (FP): Prediksi salah, data sebenarnya benar terdapat 2 record.
• True Negative (TN): Prediksi benar, data sebenarnya salah terdapat 2 record.
• False Negative (FN): Prediksi salah, data sebenarnya salah terdapat 1 record
 Kesimpulan
Studi ini memberikan gambaran mengenai
implementasi K-Nearest Neighbors untuk prediksi
potensi penyakit asma. Hasil evaluasi kinerja model
memberikan dasar untuk pemahaman lebih lanjut
tentang efektivitas algoritma ini dalam konteks
dataset asma. Penerapan model ini dapat menjadi
langkah awal dalam pengembangan sistem
pendukung keputusan untuk diagnosis asma.

Saran
Penelitian selanjutnya dapat memperluas cakupan
dengan menggabungkan lebih banyak fitur klinis,
mengeksplorasi hyperparameter KNN yang optimal,
dan menggali lebih dalam dalam analisis terhadap
hasil prediksi untuk meningkatkan kepercayaan dan
aplikabilitas model
THANK YOU