ANALISIS KOMPARATIF MODEL KLASIFIKASI MACHINE LEARNING DENGAN IMPUTASI KNN UNTUK PREDIKSI PENYAKIT HATI KRONIS

Abstract

Data medis yang tidak lengkap dapat menghambat analisis dan menurunkan akurasi model prediktif. Penelitian ini menangani missing value pada dataset sirosis hati menggunakan metode K-Nearest Neighbor (KNN) Imputation. Tantangan utamanya adalah menentukan parameter k yang optimal, yang dipengaruhi oleh bias-variance trade-off. Untuk mengatasinya, penelitian menerapkan pendekatan sistematis dengan GridSearchCV untuk mengoptimalkan parameter k pada KNN Imputer secara simultan dengan hiperparameter tiga model klasifikasi: KNN, SVM, dan Random Forest. Hasil evaluasi menunjukkan bahwa kombinasi KNN Imputation dengan model SVM memberikan kinerja terbaik, mencapai akurasi 73.81% pada data uji. Temuan kunci menyatakan bahwa nilai k optimal untuk imputasi bervariasi tergantung model klasifikasi yang digunakan, sehingga optimasi terintegrasi sangat penting. Namun, semua model masih mengalami keterbatasan dalam memprediksi kelas minoritas akibat ketidakseimbangan data yang ekstrem.