Klasifikasi Bronchitis Menggunakan Metode K-Nearest Neighbor pada Data Gejala Klinis dan Parameter Fisiologis

Bronchitis merupakan penyakit inflamasi saluran pernapasan yang kerap didiagnosis terlambat akibat kesamaan gejala dengan penyakit respirasi lainnya seperti flu, pilek, dan pneumonia. Kondisi ini mendorong kebutuhan terhadap sistem pendukung keputusan klinis berbasis pembelajaran mesin yang mampu mengklasifikasikan diagnosis secara akurat berdasarkan pola gejala dan data tanda vital. Penelitian ini bertujuan membangun model prediksi bronchitis menggunakan algoritma K-Nearest Neighbor (KNN) dengan memanfaatkan dataset klinis yang memuat 2.000 rekam medis pasien. Dataset mencakup variabel demografis (usia, jenis kelamin), tiga gejala dominan, serta lima parameter fisiologis meliputi detak jantung, suhu tubuh, tekanan darah, dan saturasi oksigen. Fitur kategoris dikodekan menggunakan one-hot encoding, sementara fitur numerik dinormalisasi melalui Min-Max Scaler. Pembagian data dilakukan dengan rasio 80:20 untuk data latih dan data uji. Eksperimen dilakukan pada delapan nilai K (K=1 hingga K=15, kelipatan ganjil) dengan jarak Euclidean sebagai metrik kemiripan. Hasil pengujian menunjukkan bahwa nilai K=5 menghasilkan akurasi tertinggi sebesar 92,50% dengan nilai precision 85%, recall 67%, dan F1-score 75% untuk kelas bronchitis. Model berhasil mengidentifikasi 45 dari 67 kasus bronchitis pada data uji. Temuan ini membuktikan bahwa KNN efektif dalam mendeteksi bronchitis berdasarkan kemiripan pola gejala, meskipun masih terdapat tantangan pada penanganan ketidakseimbangan kelas yang perlu diatasi dalam penelitian lanjutan.

Abstract

Bronchitis is a respiratory tract inflammation that is often diagnosed late due to symptom overlap with other respiratory diseases such as influenza, common cold, and pneumonia. This situation drives the need for machine learning-based clinical decision support systems capable of accurately classifying diagnoses based on symptom patterns and vital sign data. This study aims to develop a bronchitis prediction model using the K-Nearest Neighbor (KNN) algorithm, utilizing a clinical dataset containing 2,000 patient medical records. The dataset encompasses demographic variables (age, gender), three dominant symptoms, and five physiological parameters including heart rate, body temperature, blood pressure, and oxygen saturation. Categorical features were encoded using one-hot encoding, while numerical features were normalized through Min-Max Scaler. Data partitioning was performed at an 80:20 ratio for training and testing sets. Experiments were conducted across eight K values (K=1 to K=15, odd multiples) using Euclidean distance as the similarity metric. Results indicate that K=5 yields the highest accuracy of 92.50%, with precision of 85%, recall of 67%, and F1-score of 75% for the bronchitis class. The model successfully identified 45 out of 67 bronchitis cases in the test set. These findings confirm that KNN is effective in detecting bronchitis based on symptom pattern similarity, although challenges related to class imbalance require further investigation.