IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR DALAM KLASIFIKASI TINGKAT KERONTOKAN RAMBUT BERBASIS FUZZY DAN SMOTE
Abstrak
Kerontokan rambut menjadi masalah yang sering dikeluhkan oleh banyak orang dan dapat memengaruhi kepercayaan diri serta kualitas hidup. Penelitian ini bertujuan untuk mengembangkan model klasifikasi tingkat kerontokan rambut dengan mengimplementasikan algoritma K-Nearest Neighbor (K-NN) berbasis fuzzy dan teknik SMOTE-NC (Synthetic Minority Over-sampling Technique for Nominal Continuous). Penelitian ini mengevaluasi dan membandingkan performa K-NN, Fuzzy K-Nearest Neighbor (FK-NN), dan Fuzzy K-Nearest Neighbor in Every Class (FK-NNC) dalam mengklasifikasikan tingkat kerontokan rambut menggunakan dataset Luke Hair Loss yang diperoleh dari Kaggle. Evaluasi dilakukan dengan mempertimbangkan pengaruh SMOTE-NC, normalisasi data, serta pengaruh hyperparameter terhadap akurasi model. Untuk memastikan evaluasi yang menyeluruh, penelitian ini menggunakan K-Fold Cross-Validation. Evaluasi dilakukan dengan confusion matrix yang mempertimbangkan akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa FK-NN menghasilkan performa terbaik dengan akurasi 97.48%, presisi 94.96%, recall 94.96%, dan f1-score 94.96%. Hasil penelitian ini dapat memberikan kontribusi pada pengembangan model deteksi dini kerontokan rambut dan menjadi referensi untuk penelitian selanjutnya dalam bidang klasifikasi kesehatan berbasis machine learning.
