ABSTRAK
Diabetes melitus merupakan penyakit kronis yang ditandai dengan tingginya kadar gula darah akibat gangguan pada fungsi insulin. Jika tidak ditangani dengan tepat, penyakit ini dapat menyebabkan komplikasi serius seperti kerusakan pada jantung, ginjal, dan saraf. Oleh karena itu, deteksi dini sangat penting. Penelitian ini bertujuan meningkatkan akurasi klasifikasi diabetes menggunakan algoritma K�Nearest Neighbors (KNN). Pada model awal, KNN diterapkan tanpa optimasi dan penyeimbangan data, menghasilkan accuracy sebesar 83%. Namun, performa terhadap kelas positif masih rendah, menunjukkan bias model terhadap kelas mayoritas. Untuk mengatasi hal ini, dilakukan beberapa tahapan, yaitu
preprocessing data, optimasi hyperparameter menggunakan GridSearchCV, serta penyeimbangan data dengan metode SMOTE. Setelah penerapan ketiga tahapan tersebut, accuracy meningkat menjadi 94%, dengan peningkatan signifikan pada
performa kelas positif (precision 90%, recall 98%, dan F1-score 94%). Sementara itu, kelas negatif juga menunjukkan accuracy sebesar 94% , precision 98%, recall 89%, F1-score sebesar 93%. Hasil penelitian ini menunjukkan bahwa kombinasi preprocessing, optimasi model, dan penyeimbangan kelas dapat meningkatkan kinerja algoritma KNN secara signifikan dalam mendeteksi diabetes secara lebih adil dan akurat. Pendekatan ini dapat diterapkan dalam pengembangan sistem pendukung keputusan medis, khususnya dalam proses diagnosis dini penyakit
diabetes