Medical Check-Up (MCU) merupakan pemeriksaan kesehatan rutin yang menghasilkan berbagai indikator medis, seperti tekanan darah, denyut nadi, suhu tubuh, serta kesimpulan mengenai kondisi jantung dan tekanan darah. Namun, proses interpretasi hasil MCU masih sering dilakukan secara manual, sehingga membutuhkan waktu yang relatif lama dan berpotensi menimbulkan subjektivitas. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kondisi kesehatan berdasarkan data hasil MCU dengan menggunakan metode K-Nearest Neighbors (KNN) dan Decision Tree (DT). Data yang digunakan dalam penelitian ini berjumlah ±200 data pasien yang diperoleh dari RS EMC Cibitung, dengan fitur utama meliputi tekanan darah sistolik dan diastolik, denyut nadi, suhu tubuh, serta kesimpulan medis terkait kondisi jantung dan tekanan darah. Hasil klasifikasi dibagi ke dalam dua kategori, yaitu Normal dan Tidak Normal. Model Decision Tree menghasilkan tingkat akurasi sebesar 91,30%, sedangkan model KNN dengan nilai k=3 mencapai akurasi sebesar 89,85%. Sistem yang dikembangkan telah diimplementasikan dalam bentuk aplikasi berbasis web menggunakan Streamlit, yang memungkinkan pengguna untuk memasukkan data MCU dan secara otomatis memperoleh hasil klasifikasi. Hasil penelitian menunjukkan bahwa pendekatan klasifikasi menggunakan algoritma machine learning efektif dalam membantu proses evaluasi hasil MCU secara cepat dan objektif.

S12172

INF 0199 2025

Bekasi

Tersedia