Perbandingan Implementasi Metode K-Nearest Neighbor menggunakan Jarak Euclidean dan Manhattan pada Analisa Klasifikasi Penyakit Anemia

Abstract

Anemia merupakan masalah kesehatan global yang memerlukan penanganan efektif melalui klasifikasi yang akurat. Penelitian ini menggunakan algoritma K-Nearest Neighbor (KNN) untuk menganalisis dan mengklasifikasikan jenis penyakit anemia berdasarkan data hematologi dari 1.281 sampel. Proses klasifikasi melibatkan perhitungan jarak Euclidean dan Manhattan, dengan akurasi masing-masing 60% dan 64,31%. Hasil menunjukkan bahwa metode Manhattan lebih efektif dalam mendeteksi jenis anemia dengan kesalahan prediksi lebih sedikit dibandingkan Euclidean. Model yang dikembangkan diharapkan dapat mendukung diagnosis dini, meningkatkan efisiensi layanan kesehatan, dan memberikan solusi bagi wilayah dengan keterbatasan fasilitas diagnostik. Penelitian ini memberikan kontribusi signifikan dalam penerapan teknologi untuk klasifikasi data medis dan mendukung pengambilan keputusan klinis.