Pengembangan Model Hybrid Clustering dan KNN untuk Klasifikasi Profil Risiko Pasien Penyakit Jantung

Wafianda Azhar, Afiahayati, S.Kom, M.Cs, Ph.D.

2026 | Tesis | MAGISTER KECERDASAN ARTIFISIAL

Penyakit jantung menyebabkan 17,9 juta kematian per tahun (WHO), sehingga membutuhkan diagnosis akurat berbasis machine learning. Namun, algoritma K-Nearest Neighbor (KNN) konvensional memiliki dua kelemahan utama yaitu terbatas pada klasifikasi biner (sakit vs. sehat) yang gagal memetakan heterogenitas profil risiko, serta sifat lazy learner yang memicu masalah efisiensi waktu prediksi akibat komputasi linier terhadap besaran data.

Penelitian ini mengusulkan model hybrid yang menggabungkan unsupervised Clustering (K-Means, Agglomerative, DBSCAN) dan klasifikasi KNN. Pasien dikelompokkan ke dalam klaster homogen berdasarkan faktor risikonya, lalu label klaster tersebut dijadikan kelas target baru untuk melatih KNN. Melalui strategi ini, ruang pencarian tetangga terdekat saat tahap prediksi menjadi tereduksi signifikan karena sistem hanya memindai data pada klaster yang relevan, sehingga waktu eksekusi jauh lebih efisien.

Hasil eksperimen membuktikan model Agglomerative + KNN adalah yang paling unggul dengan akurasi 88,52?n ROC-AUC 96,56%, mengalahkan KNN standar (86,89%). Efisiensi komputasi juga terbukti dengan waktu pelatihan 0,0045 detik dan prediksi 0,0040 detik, jauh lebih cepat dibanding KNN standar (0,0811 detik latih; 0,0078 detik prediksi). Penelitian ini berkontribusi mereduksi kompleksitas komputasi KNN sekaligus menciptakan stratifikasi risiko pasien yang lebih granular (risiko rendah, menengah, tinggi) untuk penanganan medis yang lebih personal.

Heart disease causes 17.9 million deaths annually (WHO), necessitating accurate machine learning-based diagnosis. However, the conventional K-Nearest Neighbor (KNN) algorithm has two main limitations: it is restricted to binary classification (sick vs. healthy), which fails to map the heterogeneity of patient risk profiles, and its nature as a lazy learner triggers prediction time inefficiency due to linear computation relative to data size.

This research proposes a hybrid model that combines unsupervised Clustering (K-Means, Agglomerative, DBSCAN) and KNN classification. Patients are grouped into homogeneous clusters based on their clinical risk factors, and these cluster labels are then used as new target classes to train the KNN model. Through this strategy, the nearest neighbor search space during the prediction phase is significantly reduced, as the system only scans data within the relevant cluster, resulting in a much more efficient execution time.

Experimental results prove that the Agglomerative + KNN model is the most superior, achieving an accuracy of 88.52% and a ROC-AUC of 96.56%, outperforming the standard KNN (86.89%). Computational efficiency is also demonstrated with a training time of 0.0045 seconds and a prediction time of 0.0040 seconds, which is significantly faster than the standard KNN (0.0811 seconds training; 0.0078 seconds prediction). This research contributes to reducing KNN's computational complexity while creating a more granular patient risk stratification (low, medium, and high risk) for more personalized medical interventions.

Kata Kunci : Penyakit Jantung, Model Hybrid, Clustering, K-Nearest Neighbor (KNN), Machine Learning, Efisiensi Komputasi