Analisis Kinerja dan Akurasi Algoritma K-Nearest Neighbor Pada Dataset Heart Disease

Since heart disease is the world's largest cause of mortality, early identification is crucial.  This research assesses how effectively the KNN algorithm classifies data on heart disease.  With k = 3 and an 80:20 split between training and test data, supervised learning was employed. The target function served as the classification label for the Heart Disease Dataset, which includes characteristics associated with heart disease.  RapidMiner software was used for the analytical procedure, which included data splitting, normalization, application of the KNN model, and making use of a confusion matrix to assess the model's performance.  According to the findings, the KNN algorithm produced a weighted mean recall of 95.00%, a weighted mean precision of 96.15%, a classification error of 4.55%, and an accuracy of 95.45%.  These findings support the notion that the KNN algorithm is highly accurate and dependable in identifying possible cardiac problems.   Keywords: heart disease, K-Nearest Neighbor, data mining, accuracy, classification.   Penyakit jantung, penyebab kematian tertinggi di dunia, memerlukan diagnosis cepatTujuan dari studi ini adalah untuk mengevaluasi tingkat akurasi algoritma KNN.  dalam mengklasifikasikan data yang berkaitan dengan penyakit jantung.  Metode pengajaran supervisi digunakan, dengan parameter k = 3, dan rasio pembagian data pengajaran dan pengujian sebesar 80:20.  Dataset yang digunakan berasal dari Dataset Penyakit Jantung, yang mengandung atribut terkait diagnosis penyakit jantung dengan label klasifikasi target.  Proses analisis dilakukan melalui perangkat lunak RapidMiner. Ini mencakup proses split data, normalisasi fase, penerapan model KNN, dan evaluasi kinerja model confusion matriks kekacauan.  Menurut hasil penelitian, algoritma KNN memiliki nilai akurasi 95,45%.  kesalahan klasifikasi sebesar 4,55%, keakuratan rata-rata rata-rata sebesar 95,00%, dan keakuratan rata-rata rata-rata sebesar 96,15%. Hasil ini menunjukkan algoritma KNN memiliki tingkat akurasi hampir sempurna dan cukup andal untuk deteksi potensi dari dataset yang digunakan.  Kata Kunci: klasifikasi, penyakit jantung, data mining, K-Nearest Neighbor, akurasi.