Klasifikasi Status Gizi Balita Menggunakan Metode K-Nearest Neighbor
DOI:
https://doi.org/10.30872/jurti.v10i1.25641Keywords:
Status Gizi Baita, K—Nearest Neighbor, Klasifikasi, Data MiningAbstract
Status gizi balita merupakan indikator penting dalam menilai tingkat kesehatan anak yang dapat diketahui melalui pemeriksaan antropometri. Berdasarkan data Survei Status Gizi Indonesia (SSGI) tahun 2022, prevalensi gizi kurang di Provinsi Kalimantan Timur mencapai 23,9%, khususnya di Kota Samarinda sebesar 25,3%, yang menunjukkan bahwa masalah gizi masih perlu mendapatkan perhatian. Penelitian ini bertujuan untuk mengklasifikasikan status gizi balita menggunakan metode K-Nearest Neighbor (KNN) dengan variasi nilai K dan rumus jarak yang berbeda guna memperoleh performa terbaik. Data yang digunakan merupakan data sekunder dari Puskesmas Pasundan, Kota Samarinda, sebanyak 760 data balita usia 0–60 bulan. Tahapan penelitian meliputi pengumpulan data, perancangan data melalui proses preprocessing (data selection, penanganan outlier, dan transformasi data menggunakan min-max normalization serta encoding), implementasi metode KNN dengan variasi nilai K (1, 3, 5, 7, 9, 11) dan rumus jarak (Euclidean, Manhattan, Minkowski), serta evaluasi model menggunakan Confusion Matrix Multiclass. Berdasarkan hasil pengujian, akurasi tertinggi diperoleh sebesar 89,24% dengan nilai presisi 66,29%, recall 63,70%, dan F1-score 63,12% menggunakan nilai K = 1 dan rumus jarak Euclidean. Hasil ini menunjukkan bahwa metode KNN mampu memberikan performa klasifikasi yang baik dalam menentukan status gizi balita berdasarkan atribut usia, jenis kelamin, berat badan, dan tinggi badan.References
Azmi, N., Hazriani, H., Yuyun, Y., & HS, H. (2023). Klasifikasi status gizi balita menggunakan algoritma K-Nearest Neighbor (KNN). Prosiding SISFOTEK, 7(1), 1–6. http://www.seminar.iaii.or.id/index.php/SISFOTEK/article/view/396
Saleh, H., Faisal, M., & Musa, R. I. (2019). Klasifikasi status gizi balita menggunakan metode K-Nearest Neighbor. Simtek: Jurnal Sistem Informasi dan Teknik Komputer, 4(2), 120–126. https://doi.org/10.51876/simtek.v4i2.60
Herawati, H. D., Rahayu, H. K., Triastanti, R. K., & Rusiyono, R. (2023). Pencegahan malnutrisi pada anak prasekolah melalui pelatihan pengukuran status gizi pada guru PAUD. Media Karya Kesehatan, 6(1), 157–168. https://doi.org/10.24198/mkk.v6i1.40800
Kementerian Kesehatan Republik Indonesia. (2020). Peraturan Menteri Kesehatan Republik Indonesia tentang standar antropometri penilaian status gizi anak.
Kementerian Kesehatan Republik Indonesia. (2022). Hasil Survei Status Gizi Indonesia (SSGI) tahun 2022. Kemenkes RI. https://ayosehat.kemkes.go.id
Azizah, S. N., & Fatah, Z. (2024). Implementasi metode K-Nearest Neighbor (K-NN) pada klasifikasi stunting balita. Gudang: Jurnal Multidisiplin Ilmu, 2(10), 282–288. https://doi.org/10.59435/gjmi.v2i10.1000
Putra, F., Tahiyat, H. F., Ihsan, R. M., Rahmaddeni, & Efrizoni, L. (2024). Penerapan algoritma K-Nearest Neighbor menggunakan wrapper sebagai preprocessing untuk penentuan keterangan berat badan manusia. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 273–281.
Suryadi, L., Ngajiyanto, N., Pratiwi, N. E., Ardhy, F., & Riswanto, P. (2022). Penerapan data mining prediksi penjualan mebel terlaris menggunakan metode K-Nearest Neighbor (K-NN) (Studi kasus: Toko Zerita Meubel). JUSIM (Jurnal Sistem Informasi Musirawas), 7(2), 174–184. https://doi.org/10.32767/jusim.v7i2.1697
Loka, S. K. P., & Marsal, A. (2023). Perbandingan algoritma K-Nearest Neighbor dan Naïve Bayes Classifier untuk klasifikasi status gizi pada balita. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 3(1), 8–14. https://doi.org/10.57152/malcom.v3i1.474
Muttaqin, et al. (2023). Pengenalan data mining. Yayasan Kita Menulis.
Harmain, A., Paiman, P., Kurniawan, H., Kusrini, K., & Maulina, D. (2022). Normalisasi data untuk efisiensi K-Means pada pengelompokan wilayah berpotensi kebakaran hutan dan lahan berdasarkan sebaran titik panas. Teknimedia: Teknologi Informasi dan Multimedia, 2(2), 83–89. https://doi.org/10.46764/teknimedia.v2i2.49
Najib, M. K., & Nurdiati, S. (2021). Judul artikel. Jambura Geoscience Review, 3(1), 9–17. https://doi.org/10.34312/jgeosrev.v3i1.8259
Dwididanti, S., & Anggoro, D. A. (2022). Analisis perbandingan algoritma bisecting K-Means dan fuzzy C-Means pada data pengguna kartu kredit. Emitor: Jurnal Teknik Elektro, 22(2), 110–117. https://doi.org/10.23917/emitor.v22i2.15677
Damayanti, M. A., Siskasari, D., Hidayatullah, S., Fernandi, R. A., & Santoso, H. (2025). Pengembangan aplikasi mobile Saffco Skin untuk edukasi perawatan wajah dengan sistem rekomendasi menggunakan algoritma KNN. Indonesian Journal of Data Science, 3(1), 41–50. https://doi.org/10.30989/ijds.v3i1.1585
Shidiq, F. (2021). Penerapan metode K-Nearest Neighbor (KNN) untuk menentukan ikan cupang dengan ekstraksi fitur ciri bentuk dan Canny. Innovative Research in Informatics, 3(2), 39–46. https://doi.org/10.37058/innovatics.v3i2.3093
Awaliyah, A., Prasetyadi, A., & Junaidi, A. (2022). Sistem rekomendasi desain website berdasarkan tingkat kemiripan menggunakan Euclidean Distance. Jurnal Dinda: Data Science, Information Technology, and Data Analytics, 2(2), 75–81. https://doi.org/10.20895/dinda.v2i2.543
Martono, G. H., & Sulistianingsih, N. (2024). Perbandingan matriks jarak pada algoritma K-NN untuk prediksi penyakit diabetes. JoMI: Journal of Millennial Informatics, 2(1), 1–6.
Markoulidakis, I., Rallis, I., Georgoulas, I., Kopsiaftis, G., & Doulamis, A. (2021). Multiclass confusion matrix reduction method and its application on Net Promoter Score classification problem. Technologies, 9(4), Article 81. https://doi.org/10.3390/technologies9040081
