Institut Riset dan Publikasi Indonesia (IRPI)

MALCOM: Indonesian Journal of Machine Learning and Computer Science
Journal Homepage: https://journal.irpi.or.id/index.php/malcom
Vol. 5 Iss. 3 July 2025, pp: 830-840
ISSN(P): 2797-2313 | ISSN(E): 2775-8575

Comparison of K-Nearest Neighbors and Random Forest Algorithms for
Recommendations for a Healthy Lifestyle in Prevent Heart Disease
Perbandingan Algoritma K-Nearest Neighbors dan Random
Forest untuk Rekomendasi Gaya Hidup Sehat dalam
Mencegah Penyakit Jantung
Elza Sahelvi1*, Putri Cikita2, Riska Mela Sapitri3 ,
Rahmaddeni4, Lusiana Efrizoni5
1,2,3,4,5

Program Studi Teknik Informatika, Universitas Sains dan Teknologi Indonesia, Indonesia

E-Mail: 12210031802016@sar.ac.id, 22210031802020@sar.ac.id,
2210031802095@sar.ac.id, 4rahmaddeni@usti.ac.id, 5lusiana@stmik-amik-riau.ac.id

3

Received Feb 12th 2025; Revised May 21th 2025; Accepted May 30th 2025; Available Online Jun 23th 2025, Published Jun 23th 2025
Corresponding Author: Elza Sahelvi
Copyright © 2025 by Authors, Published by Institut Riset dan Publikasi Indonesia (IRPI)

Abstract
Heart disease is a leading cause of mortality, primarily due to unhealthy lifestyle factors. This study compares the
performance of K-Nearest Neighbors (KNN) and Random Forest (RF) algorithms in providing recommendations for a
healthy lifestyle to prevent heart disease. A dataset comprising 1,025 entries with 14 features underwent preprocessing
steps, including normalization, feature selection, and data splitting at ratios of 80:20 and 70:30. Model evaluations were
conducted using accuracy, precision, recall, and F1-score metrics. The RF algorithm achieved higher accuracy (99% for
the 80:20 split and 98% for the 70:30 split) compared to KNN (83% and 86%, respectively), demonstrating greater stability
in classifying heart disease risk. Feature analysis identified chest pain type (CP) as the most influential factor. Based on
these findings, it is recommended to adopt a healthy diet, engage in regular physical activity, manage stress effectively,
and undergo routine health check-ups. In conclusion, the RF algorithm proved more effective in delivering healthy lifestyle
recommendations. Future research may consider utilizing larger datasets with additional variables to enhance prediction
accuracy.
Keywords: Classification, Healthy Lifestyle Recommendations, Heart Disease, K-Nearest Neighbors, Random Forest
Abstrak
Penyakit jantung merupakan salah satu penyebab utama kematian yang disebabkan oleh faktor gaya hidup tidak sehat.
Untuk mengatasi permasalahan ini, penelitian ini membandingkan algoritma K-Nearest Neighbors (KNN) dan Random
Forest (RF) dalam memberikan rekomendasi gaya hidup sehat guna mencegah penyakit jantung. Dataset yang digunakan
terdiri dari 1.025 entri dengan 14 fitur, yang telah melalui tahap preprocessing, termasuk normalisasi, seleksi fitur, dan
pembagian data 80:20 serta 70:30. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi lebih tinggi (99% pada skenario 80:20 dan 98%
pada skenario 70:30) dibandingkan KNN (83% dan 86%), serta lebih stabil dalam mengklasifikasikan risiko penyakit
jantung. Analisis fitur menunjukkan bahwa Chest Pain Type (CP) atau nyeri dada merupakan faktor paling berpengaruh.
Berdasarkan hasil ini, direkomendasikan pola makan sehat, aktivitas fisik teratur, manajemen stres, serta pemeriksaan
kesehatan rutin. Kesimpulannya, Random Forest lebih efektif dalam sistem rekomendasi gaya hidup sehat, dan penelitian
selanjutnya dapat menggunakan dataset lebih besar dengan variabel tambahan guna meningkatkan akurasi prediksi.
Kata Kunci: Klasifikasi, K-Nearest Neighbors, Penyakit Jantung, Random Forest, Rekomendasi Gaya Hidup Sehat

1.

PENDAHULUAN
Penyakit jantung adalah salah satu penyebab utama kematian di dunia dan telah menjadi tantangan besar
dalam sistem kesehatan global. Berdasarkan laporan dari Organisasi Kesehatan Dunia (WHO), lebih dari 17,9
juta kematian per tahun disebabkan oleh penyakit kardiovaskular, yang mencakup 31% dari total kematian
global [1]. Tingginya angka kematian akibat penyakit jantung yang menjadi alasan penelitian ini dilakukan [2].
DOI: https://doi.org/10.57152/malcom.v5i3.1972

830

ISSN(P): 2797-2313 | ISSN(E): 2775-8575
Penyakit kronis, seperti diabetes, hipertensi, dan penyakit jantung, menjadi beban kesehatan masyarakat yang
signifikan. Program pencegahan menjadi krusial dalam mengurangi prevalensi dan dampak penyakit ini [3].
Penyakit jantung sering kali disebabkan oleh faktor gaya hidup yang tidak sehat, seperti pola makan yang
buruk, kurangnya aktivitas fisik, konsumsi alkohol yang berlebihan, merokok, serta stres yang tinggi. Penyakit
jantung adalah kondisi yang melibatkan gangguan pada organ jantung, yang dapat menunjukkan beberapa
gejala yang perlu diwaspadai. Gejala-gejala tersebut mencakup rasa mual, muntah, keringat dingin, mudah
lelah, sakit kepala, nyeri dada sebelah kiri, sesak napas, lemas, jantung berdebar, dan sensasi dada seperti
diremas-remas [4][5][6].
Penelitian ini sejalan dengan Tujuan Pembangunan Berkelanjutan (Sustainable Development
Goals/SDGs), khususnya SDG 3: "Good Health and Well-being", yang bertujuan untuk memastikan kehidupan
yang sehat dan meningkatkan kesejahteraan bagi semua orang di segala usia. Penyakit jantung merupakan salah
satu penyebab utama kematian di dunia, dan gaya hidup sehat menjadi faktor kunci dalam upaya
pencegahannya. Dengan membandingkan algoritma K-Nearest Neighbor (KNN) dan Random Forest (RF)
dalam memberikan rekomendasi gaya hidup sehat, penelitian ini berkontribusi pada pengembangan teknologi
berbasis kecerdasan buatan yang dapat membantu individu dalam mengadopsi kebiasaan hidup yang lebih
sehat. Implementasi sistem rekomendasi ini diharapkan dapat meningkatkan kesadaran masyarakat akan
pentingnya pencegahan penyakit jantung serta mendukung pencapaian target SDGs dalam mengurangi angka
kematian akibat penyakit tidak menular melalui pendekatan berbasis data dan teknologi.
Gaya hidup sehat adalah sebuah pilihan gaya hidup jangka panjang dengan pola hidup yang baik
secara komitmen untuk menjalankan beberapa hal guna mendukung fungsi tubuh, sehingga memberikan efek
kesehatan bagi tubuh. Terdapat berbagai upaya yang dapat dilakukan untuk menerapkan gaya hidup sehat dan
aktif adalah dengan bersikap menjaga pola asupan makanan sehat dengan diet dan nutrisi, berolahraga secara
rutin, memilih nutrisi pendukung yang tepat dan megikuti komunitas guna mendapat dukungan dari orang
yang sama [7]. Terdapat berbagai upaya yang dapat dilakukan untuk menerapkan gaya hidup sehat dan aktif
adalah dengan bersikap menjaga pola asupan makanan sehat dengan diet dan nutrisi, berolahraga secara rutin,
memilih nutrisi pendukung yang tepat [8]. Gaya hidup sehat meliputi berbagai aspek seperti aktivitas fisik
teratur, pola makan seimbang, tidak merokok, dan menjaga berat badan ideal, yang secara signifikan dapat
menurunkan risiko penyakit jantung karena itu, sistem rekomendasi yang tepat sangat penting untuk membantu
individu memilih dan menerapkan kebiasaan hidup sehat secara personal.
Perkembangan teknologi yang kian pesat sangat membantu dunia kedokteran dalam menangani
berbagai macam penyakit. Saat ini telah ada teknologi yang biasa disebut dengan kecerdasan buatan.
Salah satu manfaat dari teknologi ini yaitu dapat memprediksi penyakit dengan tingkat akurasi tertentu [9].
Salah satu cara dari kemajuan teknologi yang memudahkan dalam kegiatan medis adalah metode klasifikasi.
Klasifikasi merupakan bentuk metode atau teknik yang digunakan untuk mengumpulkan beberapa objek
menjadi beberapa kelompok [2][10]. Algoritma seperti KNN dan RF telah menunjukkan potensi besar dalam
berbagai aplikasi, termasuk klasifikasi data kesehatan dan sistem rekomendasi berbasis data.
Algoritma KNN merupakan algoritma klasifikasi yang sederhana namun efektif dalam pengolahan data.
Algoritma ini dapat digunakan untuk mengklasifikasikan data berdasarkan pola dan kemiripan dengan data
[10]. Algoritma KNN dibangun dengan menggunakan beberapa nilai k yang umum digunakan, kemudian
dipilih nilai k yang menghasilkan performa terbaik. Ukuran jarak yang digunakan adalah Euclidean Distance
dan Manhattan Distance, kemudian dibandingkan dan diambil serta dilihat model yang akan memberikan
performa terbaik dalam kasus data penyakit jantung [11]. Lalu Pada algoritma random forest dimana di dalam
algoritma ini terdiri dari algoritma decision tree yang dikenal sebagai pohon prediksi dimana setiap pohon
keputusan bergantung kepada nilai random vector dan di jadikan sebagai sampel secara bebas pada semua
pohon (tree) dalam forest tersebut. Random Forest juga memiliki keunggulan dalam menangani data dengan
dimensi tinggi dan menangkap interaksi antara variable [12].
Penelitian sebelumnya yang telah membahas implementasi KNN dan RF di berbagai bidang kesehatan,
seperti deteksi penyakit, analisis pola makan, dan rekomendasi diet. Sebagai contoh, penelitian sebelumnya
yang di lakukan oleh Hamid Rahman, dkk. Menunjukkan bahwa KNN efektif dalam mengklasifikasikan data
pasien untuk mendeteksi risiko penyakit tertentu, terutama pada dataset yang relatif kecil [13]. Dan ada juga
penelitian yang di lakukan oleh Fitriana Sholekhah, dkk. Menunjukan bahwa KNN juga efektif dalam
mengklasifikasi data untuk sindrom metabolik [14]. Sementara itu, penelitian lain mengungkapkan bahwa RF
mampu memprediksi faktor risiko penyakit dengan akurasi yang lebih tinggi dibandingkan metode tradisional,
terutama pada dataset dengan banyak variabel independen yang saling berinteraksi. Selain itu, penerapan
algoritma ini dalam rekomendasi gaya hidup sehat juga mulai mendapatkan perhatian, terutama dalam
membantu individu mengadopsi kebiasaan yang dapat menurunkan risiko penyakit kronis [15]. Dan ada juga
penelitian sebelumnya yang menggunakan metode RF untuk melakukan deteksi pasien gagal jantung dan
menghasilkan tingkat akurasi hingga 91,45% [16][17].
Penelitian ini memiliki signifikansi tersendiri dibandingkan dengan penelitian-penelitian terdahulu,
karena secara khusus melakukan komparasi antara algoritma KNN dan RF dalam sistem rekomendasi gaya
hidup sehat untuk pencegahan penyakit jantung. Sebagian besar studi sebelumnya cenderung hanya
MALCOM - Vol. 5 Iss. 3 Juli 2025, pp: 830-840

831

MALCOM-05(03): 830-840
mengaplikasikan satu algoritma tertentu tanpa membandingkan performa secara menyeluruh dalam konteks
sistem rekomendasi berbasis machine learning untuk kesehatan preventif. Penelitian ini tidak hanya
mengevaluasi tingkat akurasi, tetapi juga mempertimbangkan efisiensi dari masing-masing algoritma dalam
menganalisis faktor-faktor risiko penyakit jantung. Dengan demikian, penelitian ini memberikan kontribusi
yang berbeda dan lebih komprehensif, baik secara teoritis dalam pengembangan literatur terkait penerapan
machine learning di bidang kesehatan, maupun secara praktis dalam mendukung pemilihan algoritma yang
lebih tepat guna untuk pengembangan sistem rekomendasi digital yang efektif, akurat, dan aplikatif dalam
meningkatkan kualitas hidup serta mencegah penyakit jantung. Tidak seperti penelitian sebelumnya yang
hanya fokus pada deteksi penyakit, studi ini secara khusus membandingkan dua algoritma machine learning
dalam konteks sistem rekomendasi berbasis gaya hidup, yang bertujuan mendukung tindakan preventif berbasis
data. Hal ini menjadikan penelitian ini unik dalam pendekatan serta kontribusinya terhadap pencegahan
penyakit jantung.
Meskipun telah banyak studi yang membahas KNN dan RF secara individual, perbandingan langsung
antara kedua algoritma ini dalam konteks rekomendasi gaya hidup sehat untuk mencegah penyakit jantung
masih jarang dilakukan. Padahal, penelitian komparatif semacam ini penting untuk mengidentifikasi algoritma
yang lebih efektif dan efisien dalam mendukung pencegahan penyakit kardiovaskular. Oleh karena itu,
penelitian ini bertujuan untuk menganalisis kinerja kedua algoritma dalam memberikan rekomendasi
berdasarkan data kesehatan pengguna, serta mengidentifikasi keunggulan dan kelemahan masing-masing
algoritma. Evaluasi dilakukan menggunakan metrik-metrik seperti akurasi, presisi, recall, dan F1-score .
2.

METODE PENELITIAN
Proses penelitian dan metode diilustrasikan dengan bagan yang ditunjukkan pada Gambar 1.

Gambar 1. Methodologi Penelitian
2.1.

Dataset Collection
Pada penelitian ini, data yang digunakan diperoleh dari dataset penyakit jantung yang tersedia secara
publik yang berasal dari kaggle. Dataset ini berisi berbagai parameter kesehatan yang berhubungan dengan
risiko penyakit jantung, seperti usia, jenis kelamin, tekanan darah, kadar kolesterol, serta beberapa variabel
lainnya yang relevan.
Proses pengumpulan data dilakukan dengan memastikan bahwa data yang digunakan memiliki
kelengkapan dan kualitas yang memadai untuk analisis lebih lanjut. Sumber data dipilih berdasarkan
ketersediaan informasi yang akurat dan telah digunakan dalam penelitian sebelumnya. Setiap atribut dalam
dataset memiliki peran penting dalam membantu model machine learning memahami pola yang terkait dengan
kondisi kesehatan pengguna. Tabel 1 merupakan fitur dari dataset penyakit jantung.
Tabel 1. Fitur dalam Dataset
No.
1.
2.
3.
4.
5.
6.
7.
8.
9.

Fitur
Age
Sex
Chest Pain Type (cp)
Resting Blood Pressure (trestbps)
Serum Cholesterol (chol)
Fasting Blood Sugar (fbs)
Resting ECG (restecg)
Max Heart Rate (thalach)
Exercise Induced Angina (exang)

10.

Oldpeak

Deskripsi
Usia pasien (dalam tahun).
Jenis kelamin pasien (1 = Laki-laki, 0 = Perempuan).
Jenis nyeri dada (1-4, dengan kategori yang berbeda).
Tekanan darah saat istirahat (mm Hg).
Kadar kolesterol dalam darah (mg/dl).
Gula darah puasa (> 120 mg/dl, 1 = benar, 0 = salah).
Hasil elektrokardiografi saat istirahat (0-2).
Denyut jantung maksimum yang dicapai.
Nyeri dada akibat olahraga (1 = Ya, 0 = Tidak).
Depresi segmen ST yang diinduksi oleh olahraga relatif terhadap
istirahat.

Perbandingan Algoritma KNN dan Random Forest... (Sahelvi et al, 2025)

832

ISSN(P): 2797-2313 | ISSN(E): 2775-8575
No.
11.
12.
13.

Fitur
Slope of ST Segment (slope)
Number of Major Vessels (ca)
Thalassemia (thal)

14.

Target

Deskripsi
Kemiringan segmen ST latihan (0-2).
Jumlah pembuluh darah utama yang diwarnai dengan fluoroskopi (0-3).
Jenis kelainan darah thalassemia (0-3).
Diagnosis penyakit jantung (1 = Mengidap penyakit jantung, 0 = Tidak
mengidap penyakit jantung).

2.2.

Exploratory Data
Exploratory Data Analysis (EDA) adalah suatu pendekatan awal yang penting dalam analisis
data yang bertujuan untuk menggali dan memahami struktur serta karakteristik data tanpa membuat
asumsi sebelumnya. Melalui proses EDA (Exploratory Data Analysis), peneliti mengeksplorasi data untuk
mengidentifikasi pola, menemukan nilai-nilai yang berbeda dari biasanya (outlier), menguji hipotesis, dan
memverifikasi asumsi yang mendasari analisis data. Tujuan utama dari EDA adalah untuk mendapatkan
wawasan yang berharga dari data yang tersedia, sehingga memungkinkan pengguna untuk membuat
keputusan yang lebih tepat dan akurat dalam analisis statistik [18].
2.3.

Data Preprocessing
Pada tahapan preprosesing data ini digunakan untuk melakukan penyesuaian data terhadap algoritma
ataupun metode yang akan digunakan, pada penelitian tahap preprocessing akan dilakukan dalam tiga cara
yaitu normalisasi data, feature selection dan splitting data[12]. Tujuan dari melakukan preprocessing data
adalah untuk machine learning dapat mengolah data dengan lancar. Dengan melakukan preprocessing data
maka dapat menyaring dan memilah data dengan tujuan analisis pada prediksi penyakit jantung [19].
1. Data Normalization
Normalisasi Data merupakan proses dilakukan transformasi sebuah atribut numerik yang di skalakan
ke dalam sebuah bentuk lebih sederhana seperti 0 sampai 1. Data yang telah dilakukan proses
normalisasi akan berkisar antara 0 sampai dengan 1. Dengan begitu, metode klasifikasi dapat
membacanya dengan range yang sama pada setiap atributnya [20].
2.

Feature Selection
Langkah selanjutnya ada Feature selection (seleksi fitur) bertujuan untuk memilih feature yang
berpengaruh dan mengesampingkan feature yang tidak berpengaruh dalam suatu kegiatan pemodelan
atau penganalisaan data. Menggunakan teknik seleksi fitur mengurangi jumlah fitur digunakan untuk
belajar dan memilih fitur diskriminasi tinggi dalam proses seleksi fitur. Selain itu, seleksi fitur
membantu meningkatkan akurasi dengan memilih fitur yang optimal [21].

3.

Splitting Data
Langkah selanjutnya adalah membagi data menjadi data latih dan data uji. Dengan pemisahan data 70:30
dan 80:20. Data yang belum pernah digunakan dalam suatu penelitian, tetapi juga berguna untuk
mengevaluasi keberhasilan atau kegagalan suatu penelitian, disebut data pengujian, sedangkan data
pelatihan adalah data yang digunakan untuk melakukan penelitian [21].

2.4.

Modeling Data
Pada tahap pemodelan data, penelitian ini membandingkan performa algoritma K-Nearest Neighbors
(KNN) dan Random Forest (RF) dalam memberikan rekomendasi gaya hidup sehat untuk mencegah penyakit
jantung. Pemilihan kedua algoritma ini didasarkan pada keunggulannya dalam tugas klasifikasi, terutama
dalam analisis data kesehatan.
2.4.1. K-Nearest Neighbors (K-NN)
K-NN adalah teknik untuk mengklasifikasikan dataset yang telah diklasifikasi sebelumnya. Keakuratan
algoritma K-NN sangat dipengaruhi oleh fitur yang berbeda ketika nilainya tidak sesuai dengan nilai perkiraan.
Beberapa studi yang menggunakan algoritma K-NN menangani hampir secara eksklusif pemilihan fitur dan
pembobotan untuk meningkatkan efisiensi algoritma dalam klasifikasi [22]. Algoritma K-NN memiliki
keuntungan dalam menghasilkan data yang kuat atau tidak ambigu dan efektif bila digunakan pada data yang
cukup besar [23].Tujuan dari algoritma K-NN adalah untuk mengklasifikasikan objek baru berdasarkan atribut
dan data pelatihannya. K-NN menggunakan klasifikasi pada tetangga-tetangga sebagai nilai prediksi dari query
instance yang baru [24]. Proses metode K-NN dilakukan dengan mencari kelompok k objek pada data latih
yang paling dekat dengan objek pada data baru atau data uji [25].
Langkah pertama dalam proses ini adalah menentukan parameter K, yang merupakan jumlah tetangga
terdekat yang akan dipertimbangkan dalam pengambilan keputusan. Pemilihan nilai K yang tepat sangat
penting, karena dapat mempengaruhi akurasi model. Nilai K yang kecil dapat membuat model terlalu sensitif
terhadap noise, sedangkan nilai K yang terlalu besar dapat mengakibatkan model yang terlalu umum dan
kehilangan detail penting. Setelah menentukan nilai K, langkah berikutnya adalah menghitung jarak antara
MALCOM - Vol. 5 Iss. 3 Juli 2025, pp: 830-840

833

MALCOM-05(03): 830-840
data training dan data testing. Jarak yang paling umum digunakan dalam K-NN adalah jarak Euclidean.
Persamaan Euclidean Distance ditunjukkan pada persamaan 1.

𝑒𝑢𝑐 = √(∑𝑛𝑖=1(𝑝𝑖 − 𝑞𝑖)2 )

(1)

di mana 𝑝𝑖 adalah nilai dari data training, 𝑞𝑖 adalah nilai dari data testing, dan 𝑛 adalah dimensi data. Proses
ini melibatkan pengukuran seberapa jauh setiap data testing dari semua data training, sehingga kita dapat
mengidentifikasi tetangga terdekat.
Setelah jarak dihitung, langkah selanjutnya adalah mengurutkan jarak yang terbentuk dari yang terdekat
hingga yang terjauh. Pengurutan ini memungkinkan kita untuk dengan mudah mengidentifikasi K tetangga
terdekat. Setelah itu, kita menentukan K tetangga terdekat berdasarkan urutan jarak yang telah dihitung. Setiap
tetangga terdekat ini memiliki kelas yang bersesuaian, yang merupakan label atau kategori dari data training.
Langkah terakhir adalah menghitung jumlah kelas dari tetangga terdekat tersebut. Dengan menganalisis
kelas-kelas yang dimiliki oleh K tetangga terdekat, kita dapat menetapkan kelas yang paling sering muncul
sebagai kelas untuk data testing yang sedang dievaluasi. Proses ini memungkinkan kita untuk
mengklasifikasikan data baru berdasarkan pola yang telah dipelajari dari data training, sehingga K-NN menjadi
metode yang sederhana namun efektif dalam pengklasifikasian data [26].
2.4.2. Random Forest (RF)
RF adalah salah satu algoritma klasifikasi dan regresi yang popular dalam data miningdan machine
learning. Random forest menggabungkan konsep dari metode ensemble dan decision tree [27]. Random
forest adalah suatu algoritma yang digunakan pada klasifikasi data jumlah besar. Klasifikasi Random Forest
dilakukan melalui penggabungan pohon dengan melakukan training yang dilakukan membangkitkan pohon
klasifikasi dengan banyak versi yang kemudian mengkombinasikannya untuk memperoleh prediksi akhir,
maka dalam Random Forest proses pengacakan untuk membentuk pohon klasifikasi tidak hanya dilakukan
untuk data sampel saja melainkan juga pada pengambilan variabel prediktor [28].
2.5.

Evaluasi Model
Evaluasi model adalah proses untuk menilai kinerja suatu algoritma dalam melakukan prediksi atau
klasifikasi berdasarkan data yang diberikan. Dalam penelitian ini, evaluasi model bertujuan untuk mengukur
efektivitas algoritma yang digunakan dalam memberikan rekomendasi gaya hidup sehat guna mencegah
penyakit jantung. Proses evaluasi dilakukan dengan menggunakan berbagai metrik penilaian, seperti akurasi,
presisi, recall, F1-score, dan waktu komputasi. Metrik-metrik ini digunakan untuk memahami sejauh mana
model dapat menghasilkan prediksi yang benar serta bagaimana model menangani ketidak seimbangan data
dan variasi karakteristik dalam dataset.
Untuk memahami performa model klasifikasi kami menggunakan Confusion Matrix, Table 2
merupakan tabel yang menggambarkan hasil prediksi model dibandingkan dengan nilai sebenarnya.
Table 2. Confusion Matrix
Actual/ Predicted
Positive (1)
Negative (0)

Positive (1)
True Positive (TP)
False Positive (FP)

Negative (0)
False Negative (FN)
True Negative (TN)

Dari Confusion Matrix ini, beberapa metrik evaluasi dapat dihitung dengan persamaan 2 – 5.
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =

𝑇𝑃+𝑇𝑁
𝑇𝑃+ 𝑇𝑁+𝐹𝑃+𝐹𝑁

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 =
𝑅𝑒𝑐𝑎𝑙𝑙 =

𝑇𝑃
𝑇𝑃+𝐹𝑃
𝑇𝑃

𝑇𝑃+𝐹𝑁

𝐹1 − 𝑆𝑐𝑜𝑟𝑒 = 2 ×

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛×𝑅𝑒𝑐𝑎𝑙𝑙
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑅𝑒𝑐𝑎𝑙𝑙

(2)
(3)
(4)
(5)

Evaluasi model sangat penting dalam machine learning karena membantu menentukan apakah suatu
algoritma bekerja dengan baik, apakah perlu dilakukan penyesuaian parameter, atau apakah model yang
berbeda lebih cocok untuk dataset yang digunakan.

Perbandingan Algoritma KNN dan Random Forest... (Sahelvi et al, 2025)

834

ISSN(P): 2797-2313 | ISSN(E): 2775-8575
3.
3.1.

HASIL DAN PEMBAHASAN
Dataset Collection
Dataset yang digunakan dalam penelitian ini merupakan dataset penyakit jantung yang terdiri dari 1025
entri dengan 14 fitur, termasuk variabel target yang menunjukkan apakah seseorang mengidap penyakit jantung
(1) atau tidak (0). Dataset ini telah melalui tahap eksplorasi awal untuk memastikan kualitas data. Data bisa
dilihat pada Table 3.
Table 3. Dataset Penyakit Jantung
0
1
2
3
4
…
1020
1021
1022
1023
1024

age
52
53
70
61
62
…
59
60
47
50
54

sex
1
1
1
1
0
…
1
1
1
0
1

cp
0
0
0
0
0
…
1
0
0
0
0

trestbps
125
140
145
148
138
…
140
125
110
110
120

chol
212
203
174
203
294
…
221
258
275
254
188

fbs
0
1
0
0
1
…
0
0
0
0
0

restecg
1
0
1
1
1
…
1
0
0
0
1

thalach
168
155
125
161
106
…
164
141
118
159
113

exang
0
1
1
0
0
…
1
1
1
0
0

oldpeak
1
3.1
2.6
0
1.9
…
0
2.8
1
0
1.4

slope
2
0
0
2
1
…
2
1
1
2
1

ca
2
0
0
1
3
…
0
1
1
0
1

thal
3
3
3
3
2
…
2
3
2
2
3

target
0
0
0
0
0
…
1
0
0
1
0

Distribusi data target menunjukkan bahwa terdapat 526 individu dengan penyakit jantung dan 499
individu yang tidak mengidap penyakit jantung. Data ini cukup seimbang untuk digunakan dalam model
klasifikasi.
3.2.

Preprocessing
Tahapan preprocessing data sangat penting dalam memastikan bahwa data yang digunakan dalam
pelatihan model berada dalam kondisi optimal. Preprocessing bertujuan untuk meningkatkan kualitas data,
menghilangkan noise, serta memastikan bahwa data memiliki format yang sesuai agar algoritma dapat
bekerja secara efisien.
1.

Data Normalization
Data Normalization (Normalisasi data) dilakukan untuk memastikan bahwa setiap fitur dalam dataset
memiliki skala yang seragam sehingga dapat meningkatkan performa model dalam proses klasifikasi.
Teknik yang digunakan dalam penelitian ini adalah Min-Max Scaling, di mana nilai setiap fitur
dikonversi ke rentang antara 0 hingga 1. Normalisasi ini penting karena model berbasis jarak seperti
KNN sangat bergantung pada skala fitur. Setelah proses normalisasi, distribusi data menjadi lebih
seragam dan mengurangi kemungkinan fitur tertentu mendominasi prediksi model. Table 4 merupakan
hasil normalisasi pada dataset :
Table 4. Hasil Normalisasi (bagian 1)

age
-0.268437
-0.158157
1.716595
0.724079
0.834359

sex
0.661504
0.661504
0.661504
0.661504
-1.511706

cp
-0.915755
-0.915755
-0.915755
-0.915755
-0.915755

trestbps
-0.377636
0.479107
0.764688
0.936037
0.364875

chol
-0.659332
-0.833861
-1.396233
-0.833861
0.930822

fbs
-0.418878
2.387330
-0.418878
-0.418878
2.387330

restecg
0.891255
-1.004049
0.891255
0.891255
0.891255

Tabel 4 menunjukkan hasil normalisasi untuk fitur-fitur demografis dan hasil pemeriksaan awal pasien.
Tabel 5. Hasil Normalisasi (bagian 2)
thalach
0.821321
0.255968
-1.048692
0.516900
-1.874977

exang
-0.712287
1.403928
1.403928
-0.712287
-0.712287

oldpeak
-0.060888
1.727137
1.301417
-0.912329
0.705408

slope
0.995433
-2.243675
-2.243675
0.995433
-0.624121

ca
1.209221
-0.731971
-0.731971
0.238625
2.179817

thal
1.089852
1.089852
1.089852
1.089852
-0.522122

target
0
0
0
0
0

Tabel 5 mencakup fitur yang berhubungan dengan aktivitas jantung, gejala, dan diagnosis akhir (target).

MALCOM - Vol. 5 Iss. 3 Juli 2025, pp: 830-840

835

MALCOM-05(03): 830-840
2.

Feature Selection
Saya menggunakan Metode SelectKBest dengan ANOVA F-test (f_classif) untuk melakukan seleksi
fitur. Metode ini digunakan untuk mengukur pengaruh masing-masing fitur terhadap variabel target
berdasarkan skor F-test. Dengan pendekatan ini, saya dapat mengidentifikasi fitur yang paling
berpengaruh serta mengeliminasi fitur yang kurang signifikan, sehingga model yang dihasilkan lebih
optimal dan tidak terbebani oleh fitur yang tidak relevan. Table 6 merupakan hasil Feature Selection.
Table 6. Hasil Feature Selection (Fitur yang paling berpengaruh)
No
9
7
2
8
11

Feature
oldpeak
thalach
cp
exang
ca

Score
208.0028
194.2581
188.1611
181.3255
151.5469

Table 7. Hasil Feature Selection (Fitur yang paling tidak berpengaruh)
No
0
3
4
6
5

3.

Feature
age
trestbps
chol
restecg
fbs

Score
49.20551
15.70774
14.66663
12.21142
1.86193

Splitting Data
Data dibagi menjadi dua bagian, yaitu data latih (training set) dan data uji (testing set), dengan dua
skenario pembagian yaitu, 80:20 (80% data latih, 20% data uji) dan 70:30 (70% data latih, 30% data
uji).Tujuan dari pembagian ini adalah untuk memastikan model memiliki cukup data untuk dilatih
sekaligus menyisakan data yang cukup untuk pengujian guna mengukur performa model secara akurat.
Pemisahan data dilakukan secara acak untuk menghindari bias dalam pelatihan model.Dengan tahapan
preprocessing yang baik, model dapat memperoleh performa yang lebih optimal dalam mempelajari
pola dari dataset, serta dapat menghasilkan prediksi yang lebih akurat dalam mendeteksi risiko penyakit
jantung.

3.3.

Modeling Data
Pada tahap pemodelan data, dilakukan eksperimen menggunakan Algoritma KNN dan RF dengan dua
skenario pembagian data, yaitu 80:20 dan 70:30. Evaluasi dilakukan dengan menggunakan metrik akurasi,
presisi, recall, dan F1-score untuk menilai kinerja masing-masing model.
1.

K-Nearest Neighbors (K-NN)
Table 3. Hasil Splitting Data 80:20 KNN
0
1
Accuracy
Macro avg
Weighted

Precision
0.88
0.80
0.84
0.84

Recall
0.77
0.89
0.83
0.83

F1-Score
0.82
0.84
0.83
0.83
0.83

Support
102
103
205
205
205

Table 4. Hasil Splitting Data 70:30 KNN
0
1
Accuracy
Macro avg
Weighted

Precision
0.87
0.84
0.86
0.86

Recall
0.85
0.87
0.86
0.86

F1-Score
0.86
0.85
0.86
0.86
0.86

Support
159
149
308
308
308

Dari hasil Table 3 dan Table 4, dapat dilihat bahwa akurasi model KNN pada skenario 80:20 adalah
83%, sedangkan pada skenario 70:30 meningkat menjadi 86%. Peningkatan akurasi ini dapat dijelaskan
oleh jumlah data latih yang lebih besar pada skenario 70:30, yang memungkinkan model untuk
mempelajari lebih banyak pola dari dataset sebelum diuji. Selain itu, nilai presisi, recall, dan F1-score

Perbandingan Algoritma KNN dan Random Forest... (Sahelvi et al, 2025)

836

ISSN(P): 2797-2313 | ISSN(E): 2775-8575
juga mengalami peningkatan pada skenario 70:30, yang menunjukkan bahwa model menjadi lebih baik
dalam membedakan antara individu yang berisiko terkena penyakit jantung dan yang tidak.
2.

Random Forest
Table 5. Hasil Splitting Data 80:20 Random Forest
Precision
0.97
1.00
0.99
0.99

0
1
Accuracy
Macro avg
Weighted

Recall
1.00
0.97
0.99
0.99

F1-Score
0.99
0.99
0.99
0.99
0.99

Support
102
103
205
205
205

Table 6. Hasil Splitting Data 70:30 Random Forest
Precision
0.96
1.00
0.98
0.98

0
1
Accuracy
Macro avg
Weighted

Recall
1.00
0.96
0.98
0.98

F1-Score
0.98
0.98
0.98
0.98
0.98

Support
159
149
308
308
308

Dari hasil table 5 dan table 6 di atas, dapat dilihat bahwa RF memiliki performa yang jauh lebih unggul
dibandingkan KNN, dengan akurasi mencapai 99% pada skenario 80:20 dan 98% pada skenario 70:30.
Meskipun terjadi sedikit penurunan akurasi pada skenario 70:30, nilai presisi, recall, dan F1-score tetap
sangat tinggi, menunjukkan bahwa model tetap mampu melakukan klasifikasi dengan sangat baik. Hal
ini menunjukkan bahwa RF memiliki kemampuan generalisasi yang lebih baik dibandingkan KNN.
3.4.

Analisis Evaluasi Model
Table 7 menunjukkan bahwa RF memiliki performa lebih unggul dibandingkan KNN dalam semua
metrik evaluasi. Pada skenario 80:20, Random Forest mencapai akurasi 99%, sedangkan KNN hanya 83%.
Begitu juga pada skenario 70:30, dimana RF memperoleh 98%, lebih tinggi dibandingkan 86% pada KNN.
Table 7. Perbandingan KNN dan RF
KNN

80:20
70:30

0
1
Accuracy
Macro avg
Weighted
0
1
Accuracy
Macro avg
Weighted

Precision

Recall

0.88
0.80
0.84
0.84
0.87
0.84
0.86
0.86

0.77
0.89
0.83
0.83
0.85
0.87
0.86
0.86

Random Forest
F1
Score
0.82
0.84
0.83
0.83
0.83
0.86
0.85
0.86
0.86
0.86

Support
102
103
205
205
205
159
149
308
308
308

0
1
Accuracy
Macro avg
Weighted
0
1
Accuracy
Macro avg
Weighted

Precision

Recall

0.97
1.00
0.99
0.99
0.96
1.00
0.98
0.98

1.00
0.97
0.99
0.99
1.00
0.96
0.98
0.98

F1
Score
0.99
0.99
0.99
0.99
0.99
0.98
0.98
0.98
0.98
0.98

Support
102
103
205
205
205
159
149
308
308
308

Keunggulan RF terletak pada kemampuannya dalam menangani data berdimensi tinggi dan menangkap
hubungan kompleks antar fitur, sehingga lebih stabil dalam prediksi. Sementara itu, KNN lebih sensitif
terhadap skala data dan bergantung pada pemilihan parameter K. Berdasarkan hasil evaluasi ini, RF lebih
direkomendasikan untuk sistem rekomendasi gaya hidup sehat karena akurasinya yang lebih tinggi dan
stabilitasnya dalam klasifikasi risiko penyakit jantung.
Untuk memvisualisasikan perbedaan performa antara KNN dan RF, hasil evaluasi juga ditampilkan
dalam bentuk diagram batang. Diagram batang menunjukkan bahwa Random Forest secara konsisten memiliki
akurasi, presisi, recall, dan F1-score yang lebih tinggi dibandingkan KNN dalam semua skenario pembagian
data.
Dari hasil akurasi pada gambar diagram batang di atas, dapat dilihat bahwa Chest Pain Type (CP) atau
nyeri dada merupakan faktor penyebab tertinggi seseorang berisiko terkena penyakit jantung. Dengan hasil uji
ini, kami merekomendasikan penerapan gaya hidup sehat guna mengurangi risiko terkena penyakit jantung.
Salah satu langkah utama adalah menjaga pola makan sehat, seperti mengonsumsi makanan tinggi serat,
vitamin, dan mineral, termasuk buah, sayuran, serta biji-bijian, yang dapat membantu menjaga kesehatan
kardiovaskular. Sebaliknya, makanan tinggi lemak jenuh, garam, dan gula perlu dibatasi untuk mencegah
peningkatan tekanan darah dan kadar kolesterol. Menggunakan minyak sehat seperti minyak zaitun serta
MALCOM - Vol. 5 Iss. 3 Juli 2025, pp: 830-840

837

MALCOM-05(03): 830-840
memilih sumber protein sehat seperti ikan dan kacang-kacangan lebih dianjurkan dibandingkan daging merah
dan makanan olahan.

Gambar 5. Diagram Batang Perbandingan Akurasi KNN dan Random Forest untuk Setiap Atribut
Selain pola makan, aktivitas fisik secara teratur juga berperan penting dalam menjaga kesehatan jantung.
Olahraga aerobik seperti berjalan kaki, berlari, atau bersepeda selama 30 menit per hari, 5 kali seminggu, dapat
meningkatkan daya tahan jantung dan memperbaiki sirkulasi darah. Latihan kekuatan seperti angkat beban dan
yoga juga membantu menjaga elastisitas pembuluh darah. Mengurangi gaya hidup sedentary, seperti duduk
terlalu lama, dengan rutin bergerak atau berjalan setiap satu jam, juga disarankan. Selain itu, manajemen stres
yang baik sangat diperlukan karena stres yang berlebihan dapat meningkatkan tekanan darah dan risiko
penyakit jantung. Teknik relaksasi seperti meditasi, pernapasan dalam, serta tidur yang cukup (7–9 jam per
malam) dapat membantu menjaga stabilitas fungsi jantung dan keseimbangan emosional.
Menghindari kebiasaan buruk, seperti merokok dan konsumsi alkohol berlebihan, juga menjadi faktor
penting dalam pencegahan. Kandungan zat berbahaya dalam rokok dan alkohol dapat merusak pembuluh darah
serta meningkatkan risiko hipertensi dan gagal jantung. Oleh karena itu, berhenti merokok dan membatasi
konsumsi alkohol sangat disarankan untuk menjaga kesehatan jantung. Selain itu, pemeriksaan kesehatan
secara rutin juga diperlukan, terutama bagi individu dengan riwayat keluarga penderita penyakit jantung.
Pemantauan tekanan darah, kadar kolesterol, dan gula darah secara berkala dapat membantu mendeteksi risiko
lebih awal serta memungkinkan intervensi medis yang lebih cepat dan tepat.
4.

KESIMPULAN
Penelitian ini membandingkan Algoritma KNN dan RF dalam memberikan rekomendasi gaya hidup
sehat untuk mencegah penyakit jantung. Hasil evaluasi menunjukkan bahwa RF memiliki performa yang lebih
unggul, dengan akurasi mencapai 99% pada skenario 80:20 dan 98% pada skenario 70:30, dibandingkan KNN
yang hanya mencapai 83% dan 86%. Selain itu, fitur CP teridentifikasi sebagai faktor paling berpengaruh
terhadap risiko penyakit jantung, sehingga sistem rekomendasi berbasis data ini dapat menjadi alat bantu yang
efektif dalam pencegahan. Meski hasilnya menjanjikan, penelitian ini masih memiliki keterbatasan, seperti
ukuran dataset yang kecil dan variabel yang belum mencakup seluruh aspek gaya hidup. Selain itu, metode
evaluasi belum menggunakan validasi silang yang dapat meningkatkan keandalan hasil. Untuk penelitian
selanjutnya, disarankan menggunakan dataset yang lebih besar dan variabel tambahan seperti pola tidur, stres,
serta riwayat keluarga, serta menerapkan teknik cross-validation dan membandingkan dengan algoritma lain
agar sistem rekomendasi yang dihasilkan lebih akurat dan aplikatif.
UCAPAN TERIMAKASIH
Kami mengucapkan terima kasih kepada Universitas Sains dan Teknologi Indonesia atas dukungan
fasilitas dan sumber daya dalam penelitian ini. Kami juga berterima kasih kepada seluruh rekan peneliti dan
akademisi yang telah memberikan masukan serta bimbingan dalam penyusunan artikel ini. Dukungan dan
motivasi dari keluarga serta teman-teman sangat berarti dalam menyelesaikan penelitian ini.
REFERENSI
[1]
WHO, “Cardiovascular diseases. Key Facts 2017.,” pp. 1–6, 2019, [Online]. Available:
https://www.who.int/en/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
[2]
R. Maula and S. Bahri, “Penerapan Algoritma K-Nearest Neighbour pada Penyakit Jantung,” vol. 13,
no. 1, pp. 42–51, 2024, doi: 10.14421/fourier.2024.131.42-51.

Perbandingan Algoritma KNN dan Random Forest... (Sahelvi et al, 2025)

838

ISSN(P): 2797-2313 | ISSN(E): 2775-8575
[3]

[4]

[5]

[6]

[7]

[8]
[9]

[10]

[11]

[12]
[13]
[14]

[15]

[16]

[17]

[18]

[19]
[20]

[21]

M. Fahrurozi et al., “Evaluasi Efektivitas Program Pencegahan Penyakit Kronis : Fokus Pada Gaya
Hidup Sehat Dan Pengelolaan penyakit kronis , masih terdapat kesenjangan pengetahuan mengenai
efektivitas program-program memengaruhi gaya hidup sehat dan efektivitas pengelolaan st”.
Dewi Nasien, S. Sirvan, D. Deny, R. S. Ryan Syahputra, A. Akbar Marunduri, and R. Prawinata See,
“Klasifikasi Penyakit Jantung Menggunakan Decision Tree dan KNN Menggunakan Ektraksi Fitur
PCA,” JEKIN - J. Tek. Inform., vol. 4, no. 1, pp. 18–24, 2024, doi: 10.58794/jekin.v4i1.641.
B. P. dan P. Kesehatan, “Kementerian Kesehatan Republik Indonesia Direktur Kementerian Kesehatan
Republik Indonesia,” Kementeri. Kesehat. RI, vol. 7, no. 35, p. 1, 2021, [Online]. Available:
https://www.kemkes.go.id/article/view/18052800006/ini-penyebab-stunting-padaanak.html#:~:text=Stunting merupakan kondisi gagal pertumbuhan,dan memiliki keterlambatan dalam
berpikir.%0Ahttps://www.kemkes.go.id/article/view/19093000001/penyakit-jantung-pen
S. R. J. I. Alham, “Sistem Diagnosis Penyakit Jantung Koroner Dengan Menggunakan Algoritma C4.5
Berbasis Website (Studi Kasus: RSUD Dr. Soedarso Pontianak),” Petir, vol. 14, no. 2, pp. 214–222,
2021, doi: 10.33322/petir.v14i2.1338.
M. Scientifict and J. Volume, “Perbandingan Algoritma Decision Tree dan Deep Learning dalam
Prediksi Masalah Kesehatan berdasarkan Kebiasaan Gaya Hidup Fadhillah Rashidatul A ’ la , Zaehol
Fatah Universitas Ibrahimy , Indonesia lifestyle habits ; health prediction ; decision tree ; dee,” vol. 2,
no. 10, 2024.
P. P. Tiara and L. Lasnawati, “Makna Gaya Hidup Sehat Dalam Perpektif Teori Interaksionisme
Simbolik,” Humantech J. Ilm. Multidisiplin Indones., vol. 1, no. 11, pp. 1627–1638, 2022.
A. Putranto, N. L. Azizah, and A. I. Ratna Ika, “Sistem Prediksi Penyakit Jantung Berbasis Web
Menggunakan Metode SVM dan Framework Streamlit,” J. Penerapan Sist. Inf. (Komputer
Manajemen),
vol.
4,
no.
2,
pp.
442–452,
2023,
[Online].
Available:
https://archive.ics.uci.edu/ml/datasets/heart+disease
M. F. Akbarollah, W. Wiyanto, D. Ardiatma, and A. T. Zy, “Penerapan Algoritma K-Nearest Neighbor
Dalam Klasifikasi Penyakit Jantung,” J. Comput. Syst. Informatics, vol. 4, no. 4, pp. 850–860, 2023,
doi: 10.47065/josyc.v4i4.4071.
A. Samosir, M. S. Hasibuan, W. E. Justino, and T. Hariyono, “Komparasi Algoritma Random Forest,
Naïve Bayes dan K- Nearest Neighbor Dalam klasifikasi Data Penyakit Jantung,” Pros. Semin. Nas.
Darmajaya,
vol.
1,
no.
0,
pp.
214–222,
2021,
[Online].
Available:
https://jurnal.darmajaya.ac.id/index.php/PSND/article/view/2955
Z. Susanti, P. Sirait, and E. S. Panjaitan, “Peningkatan Kinerja Random Forest Melalui Seleksi Fitur
Secara Pca Untuk Mendeteksi Penyakit Diabetes Tahap Awal.,” Sains dan Teknol., vol. 4, no. 3, pp.
51–56, 2023.
‫ فهمي سليمان‬.‫ ح‬and ‫( االبتدائي بطيئي التعلم‬3 ،2 ،1) ‫ “نظام تقويمي لمستوى القدرات الحركية لتالميذ الصفوف‬,‫ احمد جاسم‬.‫ ا‬.‫ع‬,”
Sport. Cult., vol. 15, no. 1, pp. 72–86, 2024, doi: 10.25130/sc.24.1.6.
F. Sholekhah, A. D. Putri, R. Rahmaddeni, and L. Efrizoni, “Perbandingan Algoritma Naïve Bayes dan
K-Nearest Neighbors untuk Klasifikasi Metabolik Sindrom,” MALCOM Indones. J. Mach. Learn.
Comput. Sci., vol. 4, no. 2, pp. 507–514, 2024, doi: 10.57152/malcom.v4i2.1249.
N. Nurdiansyah, F. S. Febriyan, Z. Gesit, and D. Amanta, “Mental Health Analysis to Prevent Mental
Disorders in Students Using The K-Nearest Neighbor ( K-NN ) Algorithm and Random Forest
Algorithm Analisis Kesehatan Mental untuk Mencegah Gangguan Mental pada Mahasiswa
Menggunakan Algoritma K-Nearest Neighbor ( K,” vol. 5, no. January, pp. 1–9, 2025.
A. S. Prabowo and F. I. Kurniadi, “Analisis Perbandingan Kinerja Algoritma Klasifikasi dalam
Mendeteksi Penyakit Jantung,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 7, no.
1, pp. 56–61, 2023, doi: 10.47970/siskom-kb.v7i1.468.
Y. Yuliani, “Algoritma Random Forest Untuk Prediksi Kelangsungan Hidup Pasien Gagal Jantung
Menggunakan Seleksi Fitur Bestfirst,” Infotek J. Inform. dan Teknol., vol. 5, no. 2, pp. 298–306, 2022,
doi: 10.29408/jit.v5i2.5896.
Farhanuddin, Sarah Ennola Karina Sihombing, and Yahfizham, “Komparasi Multiple Linear
Regression dan Random Forest Regression Dalam Memprediksi Anggaran Biaya Manajemen Proyek
Sistem Informasi,” J. Comput. Digit. Bus., vol. 3, no. 2, pp. 86–97, 2024, doi: 10.56427/jcbd.v3i2.408.
J. K. Filemon and W. F. Senjaya, “Prediksi Penyakit Jantung Berdasarkan Indikator- Indikator
Kesehatan,” vol. 6, no. November, pp. 272–283, 2024.
M. D. Purbolaksono, M. Irvan Tantowi, A. Imam Hidayat, and A. Adiwijaya, “Perbandingan Support
Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes,” J.
RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 2, pp. 393–399, 2021, doi:
10.29207/resti.v5i2.3008.
D. Septhya et al., “Implementasi Algoritma Decision Tree dan Support Vector Machine untuk
Klasifikasi Penyakit Kanker Paru,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp.
15–19, 2023, doi: 10.57152/malcom.v3i1.591.

MALCOM - Vol. 5 Iss. 3 Juli 2025, pp: 830-840

839

MALCOM-05(03): 830-840
[22]

[23]

[24]

[25]
[26]

[27]
[28]

A. Putri et al., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan
Mahasiswa Tingkat Akhir,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 20–26,
2023, doi: 10.57152/malcom.v3i1.610.
S. Jasmine Putri, Q. Attaqwa, A. Pratama, and Rahmaddeni, “Klasifikasi Menentukan Jadwal Kerja
Data Karyawan Menggunakan Algoritma C4.5 dan K-nearest Neighbor,” SENTIMAS Semin. Nas.
Penelit.
dan
Pengabdi.
Masy.
,
pp.
215–221,
2022,
[Online].
Available:
https://journal.irpi.or.id/index.php/sentimas
R. Wahyudi, M. Orisa, and N. Vendyansyah, “Penerapan Algoritma K-Nearest Neighbors Pada
Klasifikasi Penentuan Gizi Balita (Studi Kasus Di Posyandu Desa Bluto),” JATI (Jurnal Mhs. Tek.
Inform., vol. 5, no. 2, pp. 750–757, 2021, doi: 10.36040/jati.v5i2.3738.
F. T. Admojo and Ahsanawati, “Klasifikasi Aroma Alkohol Menggunakan Metode KNN,” Indones. J.
Data Sci., vol. 1, no. 2, pp. 34–38, 2020, doi: 10.33096/ijodas.v1i2.12.
F. Putra, H. F. Tahiyat, R. M. Ihsan, R. Rahmaddeni, and L. Efrizoni, “Penerapan Algoritma K-Nearest
Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan
Manusia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 273–281, 2024, doi:
10.57152/malcom.v4i1.1085.
J. Schlenger, “Random Forest,” Comput. Sci. Sport, pp. 201–207, 2024, doi: 10.1007/978-3-662-683132_24.
E. R. B. Sebayang, Y. H. Chrisnanto, and Melina, “Klasifikasi Data Kesehatan Mental di Industri
Teknologi Menggunakan Algoritma Random Forest,” IJESPG J., vol. 1, no. 3, pp. 237–253, 2023.

Perbandingan Algoritma KNN dan Random Forest... (Sahelvi et al, 2025)

840