Penerapan K-Nearest Neighbor Untuk Klasifikasi Status Gizi Balita Di Puskesmas Karang Rejo
DOI:
https://doi.org/10.71302/jbidai.v8i2.71Kata Kunci:
balita, gizi, klasifikasi, k-nearest neighborAbstrak
Permasalahan status gizi balita merupakan salah satu isu krusial dalam bidang kesehatan, terutama dalam upaya pencegahan stunting dan malnutrisi. Di Puskesmas Karang Rejo, penentuan status gizi balita masih dilakukan secara manual dengan mengandalkan perkiraan berdasarkan berat badan, sehingga proses klasifikasi menjadi kurang efisien dan berisiko menimbulkan ketidaktepatan dalam penilaian status gizi. Penelitian ini bertujuan untuk menerapkan algoritma K-Nearest Neighbor (K-NN) sebagai metode klasifikasi status gizi balita yang lebih cepat dan akurat. Tahapan penelitian meliputi proses pengumpulan data, pengolahan data, serta penerapan algoritma K-NN. Data yang digunakan terdiri dari 100 data balita dengan variabel berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), dan berat badan menurut tinggi badan (BB/TB) sebagai dasar penentuan status gizi. Hasil penelitian menunjukkan bahwa penerapan algoritma K-NN dengan nilai k optimal sebesar 3 mampu menghasilkan klasifikasi status gizi yang sesuai dengan penilaian dokter. Evaluasi menggunakan Confusion Matrix pada data uji memperoleh tingkat akurasi sebesar 100%, dengan nilai presisi dan recall yang juga mencapai 100% pada setiap kategori status gizi. Temuan ini menunjukkan bahwa seluruh data uji dapat diklasifikasikan secara tepat. Oleh karena itu, penerapan metode ini diharapkan dapat membantu petugas kesehatan di Puskesmas Karang Rejo dalam melakukan diagnosis serta pemantauan status gizi balita secara lebih efektif dan efisien.
Referensi
[1] M. E. Setiyawati, L. P. Ardhiyanti, E. N. Hamid, N. Ayu, T. Muliarta, and Y. J. Raihanah, “Studi Literatur: Keadaan Dan Penanganan Stunting Di Indonesia”, doi: 10.37817/ikraith-humaniora.v8i2.
[2] R. Rizqi Robbi Arisandi, B. Warsito, and A. Rachman Hakim, “APLIKASI NAÏVE BAYES CLASSIFIER (NBC) PADA KLASIFIKASI STATUS GIZI BALITA STUNTING DENGAN PENGUJIAN K-FOLD CROSS VALIDATION,” vol. 11, no. 1, pp. 130–139, 2022, [Online]. Available: https://ejournal3.undip.ac.id/index.php/gaussian/
[3] S. Raysyah, V. Arinal, and D. I. Mulyana, “KLASIFIKASI TINGKAT KEMATANGAN BUAH KOPI BERDASARKAN DETEKSI WARNA MENGGUNAKAN METODE KNN DAN PCA,” Sistem Informasi |, vol. 8, no. 2, pp. 88–95, 2021.
[4] J. Homepage, S. Kenia, P. Loka, and A. Marsal, “MALCOM: Indonesian Journal of Machine Learning and Computer Science Comparison Algorithm of K-Nearest Neighbor and Naïve Bayes Classifier for Classifying Nutritional Status in Toddlers Perbandingan Algoritma K-Nearest Neighbor dan Naïve Bayes Classifier Untuk Klasifikasi Status Gizi Pada Balita,” vol. 3, pp. 8–14, 2023.
[5] L. Hakim, A. Sobri, L. Sunardi, and D. Nurdiansyah, “Prediksi penyakit jantung berbasis mesin learning dengan menggunakan metode k-nn,” Jurnal Digital Teknologi Informasi, vol. 7, no. 2, p. 14, Feb. 2025, doi: 10.32502/digital.v7i2.9429.
[6] F. Aziz, P. Ishak, and S. Abasa, “Klasifikasi Depresi Menggunakan Support Vector Machine: Pendekatan Berbasis Data Text Mining,” Journal Pharmacy and Application of Computer Sciences, vol. 2, no. 2, pp. 33–38, 2024, doi: 10.59823/jopacs.v2i2.53.
[7] D. Cahyanti, A. Rahmayani, and S. A. Husniar, “Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” Indonesian Journal of Data and Science, vol. 1, no. 2, pp. 39–43, 2020, doi: 10.33096/ijodas.v1i2.13.
[8] H. D. S. Ferreira, “Anthropometric assessment of children’s nutritional status: A new approach based on an adaptation of Waterlow’s classification,” BMC Pediatr, vol. 20, no. 1, Feb. 2020, doi: 10.1186/s12887-020-1940-6.
[9] Y. Utami, R. Ratnawati, and S. Suhartiningsih, “PERAN PENTING POSYANDU BALITA DALAM MENINGKATAN STATUS GIZI IBU DAN ANAK DI DESA KERIK,” SWARNA: Jurnal Pengabdian Kepada Masyarakat, vol. 2, no. 7, pp. 779–783, Jul. 2023, doi: 10.55681/swarna.v2i7.756.
[10] M. I. P. Putra, D. T. Murdiansyah, and A. Aditsania, “Implementasi Algoritma Modified K-Nearest Neighbor ( MKNN ) untuk Klasifikasi Penyakit Kanker Payudara,” eProceedings of Engineering, vol. 6, no. 1, pp. 2431–2441, 2019.
[11] M. A. Vahedifar, A. Akhtarshenas, M. Sabbaghian, M. M. Rafatpanah, and R. Toosi, “Information Modified K-Nearest Neighbor,” pp. 1–9, 2023.
[12] R. Rahmadhani, A. Nazir, F. Syafria, and L. Afriyanti, “Analisis Perbandingan Algoritma C4.5 dan Modified K-Nearest Neighbor (MKNN) untuk Klasifikasi Jamur,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 5, no. 2, p. 226, 2023, doi: 10.30865/json.v5i2.7052.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
