Diabetes Mellitus merupakan penyakit kronis yang ditandai dengan
tingginya kadar glukosa dalam darah dan memerlukan deteksi yang cepat serta
akurat untuk membantu proses pengambilan keputusan di bidang kesehatan.
Penelitian ini bertujuan untuk menerapkan metode K-Nearest Neighbor (K-NN)
dalam mengklasifikasikan penyakit Diabetes Mellitus pada pasien di Puskesmas
Multiwahana serta mengetahui tingkat akurasi metode tersebut. Data yang
digunakan merupakan data sekunder sebanyak 421 data pasien dengan atribut
jenis kelamin, usia, jenis pemeriksaan, hasil pemeriksaan gula darah, tinggi badan,
berat badan, lingkar perut, tekanan darah sistolik, tekanan darah diastolik, dan
interpretasi sebagai kelas target. Tahapan penelitian meliputi preprocessing data,
transformasi dan normalisasi data, pembagian data training dan data testing
dengan rasio 80:20, penerapan metode K-Nearest Neighbor menggunakan nilai k
= 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14 dan 15, serta evaluasi menggunakan
confusion matrix dan classification report. Implementasi dilakukan menggunakan
bahasa pemrograman Python pada Google Colaboratory. Hasil penelitian
menunjukkan bahwa nilai k terbaik diperoleh pada k = 2 dengan tingkat akurasi
sebesar 74,39%, precision sebesar 67,03%, recall sebesar 67,05%, dan F1-score
sebesar 66,53%. Hasil tersebut menunjukkan bahwa metode K-Nearest Neighbor
mampu mengklasifikasikan data pasien ke dalam kategori Normal, Prediabetes,
dan Diabetes, meskipun performa pada kelas Prediabetes masih relatif rendah
akibat jumlah data yang tidak seimbang, sehingga metode ini dapat digunakan
sebagai alat bantu dalam proses klasifikasi penyakit Diabetes Mellitus.
Kata Kunci: Diabetes Mellitus, K-Nearest Neighbor, Klasifikasi, Machine
Learning.

Diabetes Mellitus is a chronic disease characterized by high blood glucose
levels, requiring rapid and accurate detection to support healthcare decisionmaking. This study aims to apply the K-Nearest Neighbor (K-NN) method to
classify Diabetes Mellitus in patients at the Multiwahana Community Health
Center (Puskesmas) and to determine the method's accuracy. Secondary data
comprising 421 patient records were used, featuring attributes such as gender,
age, examination type, blood sugar test results, height, weight, waist
circumference, systolic blood pressure, diastolic blood pressure, and a diagnostic
interpretation serving as the target class. The research stages included data
preprocessing, transformation and normalization, splitting data into training and
testing sets (80:20 ratio), applying the K-Nearest Neighbor method with k-values
ranging from 2 to 15, and evaluating performance using a confusion matrix and
classification report. Implementation was carried out using the Python
programming language on Google Colaboratory. The results indicate that the
optimal performance was achieved at k = 2, yielding an accuracy of 74.39%,
precision of 67.03%, recall of 67.05%, and an F1-score of 66.53%. These findings
demonstrate that the K-Nearest Neighbor method is capable of classifying patient
data into Normal, Prediabetes, and Diabetes categories—although performance
for the Prediabetes class remained relatively low due to data imbalance—
suggesting the method can serve as a useful tool for classifying Diabetes Mellitus.
Keywords: Diabetes Mellitus, K-Nearest Neighbor, Classification, Machine
Learning.