Sistem Klasifikasi Diabetes Mellitus Menggunakan Algoritma K-Nearest Neighbor (KNN) Berbasis Web
DOI:
https://doi.org/10.64803/juikti.v2i1.116Keywords:
Diabetes Mellitus, K-Nearest Neighbor, Klasifikasi, Pembelajaran Mesin, Sistem Berbasis WebAbstract
Diabetes mellitus merupakan penyakit metabolik kronis dengan prevalensi yang terus meningkat di Indonesia, mencapai 11,3% dari total populasi berdasarkan data International Diabetes Federation tahun 2024. Permasalahan utama dalam penanganan diabetes adalah keterlambatan diagnosis yang menyebabkan komplikasi serius. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi diabetes mellitus berbasis web menggunakan algoritma K-Nearest Neighbor (KNN) guna mendukung deteksi dini secara praktis dan mudah diakses. Dataset yang digunakan adalah Pima Indians Diabetes Database yang terdiri dari 768 data dengan 8 atribut. Tahapan pre-processing data meliputi imputasi median untuk menangani nilai anomali, penanganan outlier menggunakan metode Interquartile Range (IQR), penyeimbangan data dengan teknik Synthetic Minority Over-sampling Technique (SMOTE), serta normalisasi Min-Max. Model KNN diimplementasikan dengan nilai K optimal sebesar 8 yang diperoleh melalui cross-validation. Hasil evaluasi menunjukkan akurasi pada data testing sebesar 73,68% dengan precision 71,15%, recall 78,72%, F1-score 74,75%, dan nilai ROC-AUC 0,8132. Sistem web dirancang menggunakan arsitektur client-server dengan React.js sebagai frontend dan Python Flask sebagai backend. Antarmuka sistem menyediakan fitur edukasi, form input data kesehatan, serta halaman hasil klasifikasi yang informatif. Hasil penelitian menunjukkan bahwa sistem mampu mengklasifikasikan risiko diabetes dengan performa yang cukup baik dan dapat digunakan sebagai alat bantu skrining awal.
References
[1] WHO, “Diabetes,” World Healt Organization (WHO). Accessed: Jan. 12, 2026. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/diabetes
[2] IDF, “Indonesia,” Federasi Diabetes Internasional. International Diabetes Federation. Accessed: Jan. 12, 2026. [Online]. Available: https://idf.org/our-network/regions-and-members/western-pacific/members/indonesia/
[3] D. A. Suryandari, L. Yunaini, D. Kristanty, and A. Prawiningrum, “Exploring Differentially Expressed Genes to Identify Biomarkers of Cervical Cancer : A Bioinformatics Approach,” Indones. J. Med. Chem. Bioinforma., vol. 4, no. 1, pp. 1–9, 2025, doi: 10.7454/ijmcb.v4i1.1045.
[4] E. F. Nopitasari, S. P. A. Alkadri, and R. W. S. Insani, “Implementasi Data Mining untuk Klasifikasi Penyakit Stroke Menggunakan Algoritma K Nearest Neighbor,” Kreat. J. Pengabdi. Masy. Nusant., vol. 5, no. 3, pp. 344–365, 2025, doi: https://doi.org/10.55606/kreatif.v5i3.8215.
[5] A. Gunawan and I. Fenriana, “Design of Diabetes Prediction Application Using K-Nearest Neighbor Algorithm,” Bit-Tech (Binary Digit. - Technol., vol. 6, no. 2, pp. 110–117, 2023, doi: 10.32877/bt.v6i2.939.
[6] G. F. Ibanez, G. W. Wiriasto, and Rosmaliati, “Kombinasi Principal Component Analysis dengan Algoritma K-Means untuk Klasterisasi Data Stunting,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 5, no. 1, pp. 131–141, 2024, doi: 10.30865/klik.v5i1.1977.
[7] A. Oktaviana, D. P. Wijaya, A. Pramuntadi, and D. Heksaputra, “Prediction of Type 2 Diabetes Mellitus Using The K-Nearest Neighbor ( K-NN ) Algorithm Prediksi Penyakit Diabetes Melitus Tipe 2 Menggunakan Algoritma K-Nearest Neighbor ( K-NN ),” Inst. Ris. dan Publ. Indones., vol. 4, no. 3, pp. 812–818, 2024, doi: https://doi.org/10.57152/malcom.v4i3.1268.
[8] R. Pratama, A. M. Siregar, S. A. P. Lestari, and S. Faisal, “IMPLEMENTATION OF DIABETES PREDICTION MODEL USING RANDOM IMPLEMENTASI MODEL PREDIKSI DIABETES MENGGUNAKAN ALGORITMA,” J. Tek. Inform., vol. 5, no. 4, pp. 1165–1174, 2024, doi: https://doi.org/10.52436/1.jutif.2024.5.4.2593.
[9] A. S. Firmansyah, A. Aziz, and M. Ahsan, “OPTIMASI K-NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA SMOTE UNTUK MENGATASI IMBALANCE CLASS PADA KLASIFIKASI ANALISIS SENTIMEN,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, 2023.
[10] U. M. Learning and K. T. Bot, “Pima Indians Diabetes Database,” kaggle. Accessed: Jan. 21, 2026. [Online]. Available: https://www.kaggle.com/datasets/uciml/pima-indians-diabetes-database
[11] R. R. Hallan and I. N. Fajri, “Prediksi Harga Rumah menggunakan Machine Learning Algoritma Regresi Linier,” J. Teknol. Dan Sist. Inf. Bisnis, vol. 7, no. 1, pp. 57–62, 2025, doi: https://doi.org/10.47233/jteksis.v7i1.1732.
[12] M. R. A. Prasetya, A. M. Priyatno, and Nurhaeni, “Jurnal Informasi dan Teknologi Penanganan Imputasi Missing Values pada Data Time Series dengan Menggunakan Metode Data Mining,” J. Inf. dan Teknol., vol. 5, no. 2, pp. 56–62, 2023, doi: 10.37034/jidt.v5i1.324.
[13] A. Setiawan, Arnita, D. Yusuf, N. Syafira, and T. Tania, “ANALISIS DESKRIPTIF UMP (UPAH MINIMUM PROVINSI) SEINDONESIA (2002-2022) MENGGUNAKAN METODE FUZZY C MEANS CLUSTERING,” J. Ilmu Komput. Revolusioner, vol. 8, no. 12, pp. 1–13, 2024.
[14] F. D. Astuti and F. N. Lenti, “Implementasi SMOTE untuk mengatasi,” J. JUPITER, vol. 13, no. 1, pp. 89–98, 2021.
[15] Ridwan, E. H. Hermaliani, and M. Ernawati, “Penerapan Metode SMOTE Untuk Mengatasi Imbalanced Data Pada Klasifikasi Ujaran Kebencian,” Comput. Sci., vol. 4, no. 1, pp. 80–88, 2024.
[16] T. Gori, A. Sunyoto, and H. Al Fatta, “PREPROCESSING DATA DAN KLASIFIKASI UNTUK PREDIKSI KINERJA AKADEMIK SISWA,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.
[17] B. N. Azmi, A. Hermawan, and D. Avianto, “Analisis Pengaruh Komposisi Data Training dan Data Testing pada Penggunaan PCA dan Algoritma Decision Tree untuk Klasifikasi Penderita Penyakit Liver,” JTIM J. Teknol. Inf. dan Multimed., vol. 4, no. 4, pp. 281–290, 2023, doi: https://doi.org/10.35746/jtim.v4i4.298.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Muhammad Randy Fachrezi, Hafiz Aryanda, Alwi Syahputra, Risma Riansyah (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
