KOMPARASI ALGORITMA KNN DAN RANDOM FOREST UNTUK KLASIFIKASI PENYAKIT DISLEKSIA MENGGUNAKAN SMOTE-ENN

Abstrak

Proses klasifikasi penyakit disleksia menjadi salah satu tantangan penting dalam bidang kecerdasan buatan, khususnya ketika data yang digunakan bersifat tidak seimbang antara individu disleksia dan non-disleksia. Penelitian ini bertujuan untuk membandingkan performa dua Algoritma pembelajaran mesin, yaitu K-Nearest Neighbors (KNN) dan Random Forest (RF), dalam mengklasifikasikan penyakit disleksia menggunakan teknik penyeimbangan data SMOTE-ENN (Synthetic Minority Oversampling Technique–Edited Nearest Neighbours). Dataset diperoleh dari platform Kaggle dengan jumlah awal 220 sampel dan 197 fitur. Tahapan preprocessing meliputi subsetting data, label encoding, dan normalisasi fitur MinMaxScaler, sebelum dilakukan pembagian data menjadi 80% data latih dan 20% data uji. Hasil penelitian menunjukkan bahwa penerapan SMOTE-ENN berhasil meningkatkan keseimbangan distribusi kelas serta meningkatkan performa kedua model. Algoritma Random Forest menunjukkan hasil terbaik dengan nilai akurasi 92,5%, recall 94,0%, F1-score 92,5%, dan ROC-AUC 0,97, sedangkan KNN memperoleh akurasi 87,5% dengan ROC-AUC 0,90. Peningkatan nilai recall dan F1-score menunjukkan efektivitas SMOTE-ENN dalam memperbaiki kinerja model terhadap kelas minoritas. Secara keseluruhan, penelitian ini membuktikan bahwa kombinasi Algoritma pembelajaran mesin dengan teknik penyeimbangan data mampu meningkatkan akurasi klasifikasi dan dapat menjadi solusi potensial dalam deteksi dini disleksia berbasis data kognitif dan perilaku digital.

Identifier

• OpenAlex: https://openalex.org/W7167935589
• DOI: https://doi.org/10.36341/rabit.v11i2.7626