Penerapan Metode Klasifikasi K-Nearest Neighbor (Studi Kasus : Data Status Gizi Balita di Puskesmas Baqa Samarinda Seberang)

Muzizah Annabaa' Aulia; Rito Goejantoro; Memi Nor Hayati

Muzizah Annabaa' Aulia Universitas Mulawarman
Rito Goejantoro Laboratorium Statistika Komputasi, Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Mulawarman, Indonesia
Memi Nor Hayati Laboratorium Statistika Terapan, Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Mulawarman, Indonesia

Abstract

Abstrak. Klasifikasi adalah suatu proses mengamati objek data yang bertujuan untuk membedakan kelompok-kelompok yang tersedia ke dalam kelompok tertentu. Metode K-Nearest Neighbor (K-NN) merupakan metode supervised yang digunakan untuk klasifikasi (dengan peubah output atau peubah dependen berupa kategori). Prinsip kerja metode ini ialah menemukan jarak terdekat antara data yang akan dievaluasi dengan nilai tetangga (neighbor) terdekatnya dalam data testing, dari nilai tetangga terdekat yang terpilih kemudian akan dilakukan pemungutan kelas terbanyak atau voting kelas dari tetangga terdekat. Status gizi balita merupakan keadaan gizi anak balita umur 0-59 bulan yang ditentukan dengan metode antropometri, berdasarkan indeks berat badan menurut umur (BB/U), tinggi badan menurut umur (TB/U), dan berat badan menurut tinggi badan (BB/TB). Adapun tujuan dari penelitian ini adalah untuk memperoleh hasil klasifikasi dari status gizi balita di Puskesmas Baqa Samarinda Seberang menggunakan metode klasifikasi K-NN. Berdasarkan hasil pengukuran untuk klasifikasi pada status gizi balita di Puskesmas Baqa Samarinda Seberang dengan perhitungan akurasi serta matriks konfusi didapatkan akurasi tertinggi pada metode K-NN sebesar 90,57% pada nilai K= 3,K= 5, K= 7 dan K= 9 dengan proporsi data training 90% dan data testing 10%.

Kata Kunci: klasifikasi, k-nearest neighbor, status gizi balita

References

[1] Han, J., Kamber, M., & Pei, J. (2012) . Data Mining: Concept and Techniques, Third Edition. Waltham: Morgan Kaufmann Publishers.
[2] Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: Partical Machine Learning Tools and Techniques, Third Edition. Burlington: Morgan Kaufmann Publishers.
[3] Yustanti, W. (2012). Algoritma K-Nearest Neighbor untuk Memprediksi Harga Jual Tanah. Jurnal Matematika, Statistika, Matematika:JMSK. 9(1), 57-68.
[4] Rahmaulidyah, F.N., Hayati, M.N., & Goejantoro, R. (2021). Perbandingan Metode Klasifikasi naïve Bayes dan K-Neirest Neighbor Pada Data Status Pembayaran Pajak Pertambahan Nilai di Kantor Pelayanan Pajak Pratama Samarinda Ulu. Jurnal Eksponensial, 12(2), 161-164.
[5] Mustaghfiroh, L., Ariani, M. H., & Bijanto. (2022) . Klasifikasi Pasien Covid-19 di Indonesia menggunakan Metode K-Nearest Neighbor. Jurnal AMRI, 1(1), 16-21.
[6] Saeroni, A., Hayati, M.N., & Goejantoro, R. (2020). Klasifikasi Tingkat Kelancaran Nasabah Dalam Membayar Premi dengan Menggunakan Metode K-Nearest Neighbor dan Analisis Diskriminan Fisher (Studi kasus: Data Nasabah PT. Prudential Life Samarinda Tahun 2019). Jurnal Statistika Universitas Muhammadiyah Semarang, 8(2), 88-94.
[7] Sibagariang, E. (2010) . Gizi Dalam Kesehatan Reproduksi. Jakarta: Trans Info Media.
[8] Kementrian Kesehatan RI. (2015). Situasi Kesehatan Anak Balita di Indonesia. Jakarta: Pusat Data dan Informasi Kementrian Kesehatan Republik Indonesia
[9] Turban, E., Aronson, J. E., & Liang, T. P. (2005). Decision Support Systems and Intelligent Systems. Yogyakarta: Andi Offset.