Perbandingan Metode K-Nearest Neighbor dan Logistic Regression dalam Klasifikasi Dini Anemia Berdasarkan Parameter Hematologi Dasar

Abstrak

Anemia merupakan gangguan kesehatan yang masih menjadi tantangan besar di tengah masyarakat, Khususnya pada individu usia remaja dan perempuan. Deteksi dini menjadi langkah penting dalam upaya pencegahan dan penanganan anemia. Penelitian ini difokuskan pada analisis komparatif terhadap dua algoritma machine learning, yakni algoritma K-Nearest Neighbor (KNN) dan Logistic Regression, dalam melakukan klasifikasi dini anemia menggunakan parameter hematologi dasar, seperti Gender, Hemoglobin (Hb), Mean Corpuscular Volume (MCV), Mean Corpuscular Hemoglobin (MCH), dan Mean Corpuscular Hemoglobin Concentration (MCHC). Dataset yang digunakan bersumber dari platform Kaggle, dengan total 1.421 data pasien. Tahapan penelitian meliputi pra-pemrosesan data, pemisahan antara data pelatihan dan data pengujian. secara stratifikasi, pelatihan model, serta penilaian kinerja algoritma diukur menggunakan parameter evaluatif meliputi akurasi, precision, recall, F1-score, confusion matrix. Output didapatkan bahwa model KNN memperoleh akurasi 91,93%, precision 86,86%, recall 95,96%, dan F1-score 91,18%. Sementara itu, model Logistic Regression unggul dengan akurasi 98,94%, precision 97,63%, recall 100%, dan F1-score 98,80%. Berdasarkan hasil tersebut, Logistic Regression dinilai lebih akurat dan dapat diandalkan untuk deteksi dini anemia, khususnya dalam konteks layanan kesehatan primer berbasis data laboratorium sederhana.

Identifier

• DOI: https://doi.org/10.30595/jrre.v7i2.27427
• OpenAlex: https://openalex.org/W7127581855