OPTIMALISASI DIAGNOSIS DINI DIABETES DENGAN MACHINE LEARNING: MODEL PREDIKTIF BERBASIS K-NEAREST NEIGHBOR

Abstract

Diabetes merupakan penyakit tidak menular utama yang memberikan beban kesehatan global yang signifikan, dengan prevalensinya terus meningkat. Sebagai respons, penelitian ini mengembangkan aplikasi berbasis web untuk deteksi dini risiko diabetes menggunakan algoritma K-Nearest Neighbor (KNN), yang memanfaatkan Dataset lokal dari RSUD Kolonodale, Indonesia. Aplikasi ini memberikan alat yang efisien dan mudah diakses bagi masyarakat umum dan tenaga medis untuk memprediksi risiko diabetes berdasarkan indikator klinis utama seperti kadar gula darah, tekanan darah, Indeks Massa Tubuh (IMT), kadar insulin, dan riwayat keluarga. Model ini mencapai akurasi 93%, dengan precision 89%, recall 96%, dan F1-score 93%, yang menunjukkan efektivitasnya dalam membedakan antara kasus diabetes dan non-diabetes. Meskipun sistem ini menawarkan antarmuka pengguna yang ramah dan sumber daya edukasi tentang pencegahan diabetes, masih terdapat beberapa area yang perlu perbaikan, terutama dalam hal perluasan Dataset, penanganan kesalahan, dan performa pada beban pengguna yang tinggi. Aplikasi ini juga memiliki potensi untuk diintegrasikan dengan perangkat wearable dan chatbot berbasis AI untuk meningkatkan pemantauan secara real-time dan rekomendasi pencegahan yang dipersonalisasi. Pengembangan di masa depan dapat memperluas aplikasinya di fasilitas kesehatan baik di perkotaan maupun pedesaan.