PENERAPAN DATA MINING UNTUK KLASIFIKASI PENYAKIT MIGRAIN BERDASARKAN GEJALA KLINIS MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (KNN)

Abstract

Penelitian ini bertujuan untuk menerapkan teknik data mining dalam proses klasifikasi jenis migrain berdasarkan gejala klinis menggunakan algoritma K-Nearest Neighbor (KNN) yang diimplementasikan ke dalam sistem berbasis web. Migrain merupakan salah satu gangguan neurologis yang memiliki variasi gejala klinis yang beragam, sehingga diperlukan pendekatan berbasis data yang dapat membantu dalam melakukan klasifikasi jenis migrain berdasarkan pola gejala yang dialami. Data yang digunakan dalam penelitian ini diperoleh dari platform Kaggle dengan jumlah 307 data yang terdiri dari dua kelas, yaitu Migraine Without Aura dan Typical Aura With Migraine. Proses klasifikasi menggunakan delapan atribut, yaitu Duration, Frequency, Location, Character, Intensity, Nausea, Phonophobia, dan Visual, sedangkan Type digunakan sebagai label kelas. Tahapan pengolahan data dilakukan dengan normalisasi menggunakan metode Min-Max Scaling, kemudian dilanjutkan dengan proses klasifikasi menggunakan algoritma K-Nearest Neighbor (KNN) dengan perhitungan Euclidean Distance dan nilai K=5. Algoritma KNN tersebut diimplementasikan ke dalam sistem berbasis web sehingga pengguna dapat memasukkan data gejala klinis dan memperoleh hasil klasifikasi jenis migrain. Berdasarkan hasil evaluasi model, diperoleh nilai accuracy sebesar 78,95%, precision sebesar 84,85%, recall sebesar 90,32%, dan F-Measure sebesar 87,50%. Selain itu, hasil pengujian Black Box Testing menunjukkan bahwa fungsi-fungsi utama pada sistem dapat berjalan sesuai dengan hasil yang diharapkan. Dengan demikian, algoritma K-Nearest Neighbor (KNN) dapat diterapkan dalam sistem berbasis web untuk melakukan klasifikasi dua jenis migrain berdasarkan gejala klinis. Hasil klasifikasi yang diberikan oleh sistem merupakan hasil prediksi dan tidak digunakan sebagai pengganti diagnosis medis oleh tenaga kesehatan.