PERBANDINGAN METODE K-NEAREST NEIGHBOR DAN MODIFIED K-NEAREST NEIGHBOR UNTUK KLASIFIKASI KELUARGA BERESIKO STUNTING
DOI:
https://doi.org/10.31849/zn.v7i1.24698Keywords:
Stunting, Klasifikasi, Manhattan Distance, K-Nearest Neighbor, Modified K-Nearest NeighborAbstract
Stunting disebabkan oleh kekurangan gizi kronis, yang menghambat pertumbuhan terhambat pada anak dan dapat memengaruhi kesehatan jangka panjang. Penelitian ini bertujuan untuk mengklasifikasikan keluarga beresiko stunting menggunakan metode K-Nearest Neighbor (K-NN) dan Modified K-Nearest Neigbor (MK-NN). Perbandingan keduanya dilakukan dengan tujuan memberikan gambaran lebih jelas mengenai metode mana yang lebih cocok dalam membantu dalam memilih algoritma yang memberikan hasil yang optimal. Data yang digunakan terdiri dari 23607 data keluarga dan 20 parameter, diperoleh dari Balai Penyuluhan KB (Kampung Berencana) di Kecamatan Tuah Madani. Hasil menunjukkan bahwa MK-NN memberikan performa lebih konsisten pada berbagai nilai k dengan akurasi mencapai 99.28% terutama pada rasio 80:20 dan 70:30. Sebaliknya, K-NN mencapai akurasi maksimum 99.36% tetapi mengalami fluktuasi pada nilai k tertentu. MK-NN juga unggul dalam metrik precisision, recall dan f1-score menunjukkan mampu menghadapi data yang kompleks. Dapat disimpulkan bahwa MK-NN lebih efektif dan stabil dibandingkan K-NN. Penelitian ini menyarankan penggunaan data ekonomi seperti pendapatan dan pekerjaan orang tua pada studi mendatang untuk memberikan hasil klasifikasi yang lebih menyeluruh dan akjrat dalam mendukung kebijakan stunting.
References
[1] E. Marlena, S. Rahmatullah, S. Mintoro, and N. Ngajiyanto, “Implementasi Data Mining Untuk Memprediksi Status Gizi Anak Balita Pada Puskesmas Gedung Sari Menggunakan Polynomial Regression,” JTKSI (Jurnal Teknol. Komput. dan Sist. Informasi), vol. 6, no. 2, p. 193, 2023, doi: 10.56327/jtksi.v6i2.1490.
[2] I. Y. Arulampalam Kunaraj, P.Chelvanathan, Ahmad AA Bakar, “Lailiyah, K. (2023). Peran Badan Kependudukan Dan Keluarga Berencana Nasional Dalam Percepatan Penurunan Stunting . Mendapo: Journal of Administrative Law, 4(1), 16-33.,” J. Eng. Res., vol. 4, 2023.
[3] R. Roediger, D. Taylor Hendrixson, and M. J. Manary, “A roadmap to reduce stunting,” Am. J. Clin. Nutr., vol. 112, pp. 773S-776S, 2020, doi: 10.1093/ajcn/nqaa205.
[4] A. Zikri, A. Nazir, S. Sanjaya, E. Haerani, and I. Afrianty, “The Random Forest algorithm for classifying stunting in toddlers based on anthropometric data,” Int. J. Multidiscip. Res. Growth Eval., vol. 5, no. 3, pp. 931–937, 2024, doi: 10.54660/.ijmrge.2024.5.3.931-937.
[5] A. Ramdhani, H. Handayani, and A. Setiawan, “Hubungan Pengetahuan Ibu Dengan Kejadian Stunting,” Semnas Lppm, vol. ISBN: 978-, pp. 28–35, 2020.
[6] S. Widia Pebrianti, R. Astuti, and F. M Basysyar, “Penerapan Algoritma K-Nearest Neighbor Dalam Klasifikasi Status Stunting Balita Di Desa Bojongemas,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 2479–2488, 2024, doi: 10.36040/jati.v8i2.8448.
[7] E. E. P. Agustina and R. Dwijayanti, “Peran Orang Tua Dalam Pencegahan Stunting Melalui Program Sekolah Orang Tua Hebat Di Kelurahan Lakarsantri Ellysia Eka Putri Agustina Rizkya Dwijayanti infeksi ibu , kehamilan ibu saat remaja , gangguan jiwa ibu , jarak antar kehamilan yang pendek , anak,” An-Najat J. Ilmu Farm. dan Kesehat., vol. 1, no. 4, pp. 220–227, 2023.
[8] S. Mustika and C. Khairunnisa, “Prevalensi Stunting pada Siswa SMP Negeri 7 Lhokseumawe Abstrak Pendahuluan malnutrisi zat gizi kronis atau penyakit infeksi kronis maupun berulang yang ditunjukkan Republik Indonesia ( Kemenkes RI ) hanya terbatas pada kelompok usia Balita . Penelitian,” Galen. J. Kedokt. dan Kesehat. Mhs. Malikussaleh, vol. 1, no. 4, 2022.
[9] A. Aziz, F. Insani, J. Jasril, and F. Syafria, “Implementasi Metode Learning Vector Quantization (LVQ) Untuk Klasifikasi Keluarga Beresiko Stunting,” Build. Informatics, Technol. Sci., vol. 5, no. 1, pp. 12–21, 2023, doi: 10.47065/bits.v5i1.3478.
[10] A. O. P. Dewi, “Big Data di Perpustakaan dengan Memanfaatkan Data Mining,” Anuva J. Kaji. Budaya, Perpustakaan, dan Inf., vol. 4, no. 2, 2020, doi: 10.14710/anuva.4.2.223-230.
[11] W. A. Istiqhfarani, I. Cholissodin, and F. A. Bachtiar, “Klasifikasi Penyakit Dental caries menggunakan Algoritme Modified K- Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 5, 2020.
[12] S. Amelia, “Penerapan Metode Modified K-Nearest Neighbor pada Pengklasifikasian Status Pembayaran Kredit Barang Elektronik dan Furniture,” Stat. J. Theor. Stat. Its Appl., vol. 22, no. 1, pp. 95–104, 2022, doi: 10.29313/statistika.v22i1.345.
[13] I. Muslim, K. Karo, A. Tsany, R. Dzaky, and M. A. Saputra, “Comparative Analysis of K-Nearest Neighbor and Modified K-Nearest Neighbor Algorithm for Financial Well-Being Data Classification,” J. Comput., vol. 6, no. 3, pp. 25–34, 2021, doi: 10.34818/indojc.2021.6.3.593.
[14] M. Nafisatur, “Metode Pengumpulan Data Penelitian,” Metod. Pengumpulan Data Penelit., vol. 3, no. 5, pp. 5423–5443, 2024.
[15] F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 9, no. 02, pp. 75–81, 2021, doi: 10.33884/jif.v9i02.3755.
[16] E. Sulistio, Y. Maulita, and M. Simanjuntak, “Classification For Predicting Heart Disease Using The K Nearest Neighbor Method Sylvani General Hospital Binjai City,” vol. 3, no. 1, 2023.
[17] F. Handayani and R. M. Taufiq, “Jurnal Computer Science and Information Technology ( CoSciTech ) Komparasi Algoritma Menggunakan Teknik SMOTE Dalam Melakukan Klasifikasi Penyakit,” vol. 5, no. 2, pp. 367–372, 2024.
[18] H. S. Amalia, U. Athiyah, and A. W. Muhammad, “The Application of Modified K-Nearest Neighbor Algorithm for Classification of Groundwater Quality Based on Image Processing and pH, TDS, and Temperature Sensors,” Regist. J. Ilm. Teknol. Sist. Inf., vol. 9, no. 1, pp. 42–54, 2023, doi: 10.26594/register.v9i1.2827.
[19] I. N. Y. T. Giri, L. A. A. Rahning Putri, G. A. V. Mastrika Giri, I. G. N. Anom Cahyadi Putra, I. M. Widiartha, and I. W. Supriana, “Music Genre Classification Using Modified K-Nearest Neighbor (MK-NN),” JELIKU (Jurnal Elektron. Ilmu Komput. Udayana), vol. 10, no. 3, p. 261, 2022, doi: 10.24843/jlk.2022.v10.i03.p02.
[20] L. Sari, A. Romadloni, and R. Listyaningrum, “Penerapan Data Mining dalam Analisis Prediksi Kanker Paru Menggunakan Algoritma Random Forest,” Infotekmesin, vol. 14, no. 1, pp. 155–162, 2023, doi: 10.35970/infotekmesin.v14i1.1751.
[21] W. A. Naseer, S. Sarwido, and B. B. Wahono, “Gradient Boosting Optimization with Pruning Technique for Prediction of Bmt Al-hikmah Permata Customer Data,” Jinteks, vol. 6, no. 3, pp. 719–727, 2024.
[22] P. Romadloni, B. Adhi Kusuma, and W. Maulana Baihaqi, “Komparasi Metode Pembelajaran Mesin Untuk Implementasi Pengambilan Keputusan Dalam Menentukan Promosi Jabatan Karyawan,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 622–628, 2022, doi: 10.36040/jati.v6i2.5238.
[2] I. Y. Arulampalam Kunaraj, P.Chelvanathan, Ahmad AA Bakar, “Lailiyah, K. (2023). Peran Badan Kependudukan Dan Keluarga Berencana Nasional Dalam Percepatan Penurunan Stunting . Mendapo: Journal of Administrative Law, 4(1), 16-33.,” J. Eng. Res., vol. 4, 2023.
[3] R. Roediger, D. Taylor Hendrixson, and M. J. Manary, “A roadmap to reduce stunting,” Am. J. Clin. Nutr., vol. 112, pp. 773S-776S, 2020, doi: 10.1093/ajcn/nqaa205.
[4] A. Zikri, A. Nazir, S. Sanjaya, E. Haerani, and I. Afrianty, “The Random Forest algorithm for classifying stunting in toddlers based on anthropometric data,” Int. J. Multidiscip. Res. Growth Eval., vol. 5, no. 3, pp. 931–937, 2024, doi: 10.54660/.ijmrge.2024.5.3.931-937.
[5] A. Ramdhani, H. Handayani, and A. Setiawan, “Hubungan Pengetahuan Ibu Dengan Kejadian Stunting,” Semnas Lppm, vol. ISBN: 978-, pp. 28–35, 2020.
[6] S. Widia Pebrianti, R. Astuti, and F. M Basysyar, “Penerapan Algoritma K-Nearest Neighbor Dalam Klasifikasi Status Stunting Balita Di Desa Bojongemas,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 2479–2488, 2024, doi: 10.36040/jati.v8i2.8448.
[7] E. E. P. Agustina and R. Dwijayanti, “Peran Orang Tua Dalam Pencegahan Stunting Melalui Program Sekolah Orang Tua Hebat Di Kelurahan Lakarsantri Ellysia Eka Putri Agustina Rizkya Dwijayanti infeksi ibu , kehamilan ibu saat remaja , gangguan jiwa ibu , jarak antar kehamilan yang pendek , anak,” An-Najat J. Ilmu Farm. dan Kesehat., vol. 1, no. 4, pp. 220–227, 2023.
[8] S. Mustika and C. Khairunnisa, “Prevalensi Stunting pada Siswa SMP Negeri 7 Lhokseumawe Abstrak Pendahuluan malnutrisi zat gizi kronis atau penyakit infeksi kronis maupun berulang yang ditunjukkan Republik Indonesia ( Kemenkes RI ) hanya terbatas pada kelompok usia Balita . Penelitian,” Galen. J. Kedokt. dan Kesehat. Mhs. Malikussaleh, vol. 1, no. 4, 2022.
[9] A. Aziz, F. Insani, J. Jasril, and F. Syafria, “Implementasi Metode Learning Vector Quantization (LVQ) Untuk Klasifikasi Keluarga Beresiko Stunting,” Build. Informatics, Technol. Sci., vol. 5, no. 1, pp. 12–21, 2023, doi: 10.47065/bits.v5i1.3478.
[10] A. O. P. Dewi, “Big Data di Perpustakaan dengan Memanfaatkan Data Mining,” Anuva J. Kaji. Budaya, Perpustakaan, dan Inf., vol. 4, no. 2, 2020, doi: 10.14710/anuva.4.2.223-230.
[11] W. A. Istiqhfarani, I. Cholissodin, and F. A. Bachtiar, “Klasifikasi Penyakit Dental caries menggunakan Algoritme Modified K- Nearest Neighbor,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 5, 2020.
[12] S. Amelia, “Penerapan Metode Modified K-Nearest Neighbor pada Pengklasifikasian Status Pembayaran Kredit Barang Elektronik dan Furniture,” Stat. J. Theor. Stat. Its Appl., vol. 22, no. 1, pp. 95–104, 2022, doi: 10.29313/statistika.v22i1.345.
[13] I. Muslim, K. Karo, A. Tsany, R. Dzaky, and M. A. Saputra, “Comparative Analysis of K-Nearest Neighbor and Modified K-Nearest Neighbor Algorithm for Financial Well-Being Data Classification,” J. Comput., vol. 6, no. 3, pp. 25–34, 2021, doi: 10.34818/indojc.2021.6.3.593.
[14] M. Nafisatur, “Metode Pengumpulan Data Penelitian,” Metod. Pengumpulan Data Penelit., vol. 3, no. 5, pp. 5423–5443, 2024.
[15] F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 9, no. 02, pp. 75–81, 2021, doi: 10.33884/jif.v9i02.3755.
[16] E. Sulistio, Y. Maulita, and M. Simanjuntak, “Classification For Predicting Heart Disease Using The K Nearest Neighbor Method Sylvani General Hospital Binjai City,” vol. 3, no. 1, 2023.
[17] F. Handayani and R. M. Taufiq, “Jurnal Computer Science and Information Technology ( CoSciTech ) Komparasi Algoritma Menggunakan Teknik SMOTE Dalam Melakukan Klasifikasi Penyakit,” vol. 5, no. 2, pp. 367–372, 2024.
[18] H. S. Amalia, U. Athiyah, and A. W. Muhammad, “The Application of Modified K-Nearest Neighbor Algorithm for Classification of Groundwater Quality Based on Image Processing and pH, TDS, and Temperature Sensors,” Regist. J. Ilm. Teknol. Sist. Inf., vol. 9, no. 1, pp. 42–54, 2023, doi: 10.26594/register.v9i1.2827.
[19] I. N. Y. T. Giri, L. A. A. Rahning Putri, G. A. V. Mastrika Giri, I. G. N. Anom Cahyadi Putra, I. M. Widiartha, and I. W. Supriana, “Music Genre Classification Using Modified K-Nearest Neighbor (MK-NN),” JELIKU (Jurnal Elektron. Ilmu Komput. Udayana), vol. 10, no. 3, p. 261, 2022, doi: 10.24843/jlk.2022.v10.i03.p02.
[20] L. Sari, A. Romadloni, and R. Listyaningrum, “Penerapan Data Mining dalam Analisis Prediksi Kanker Paru Menggunakan Algoritma Random Forest,” Infotekmesin, vol. 14, no. 1, pp. 155–162, 2023, doi: 10.35970/infotekmesin.v14i1.1751.
[21] W. A. Naseer, S. Sarwido, and B. B. Wahono, “Gradient Boosting Optimization with Pruning Technique for Prediction of Bmt Al-hikmah Permata Customer Data,” Jinteks, vol. 6, no. 3, pp. 719–727, 2024.
[22] P. Romadloni, B. Adhi Kusuma, and W. Maulana Baihaqi, “Komparasi Metode Pembelajaran Mesin Untuk Implementasi Pengambilan Keputusan Dalam Menentukan Promosi Jabatan Karyawan,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 622–628, 2022, doi: 10.36040/jati.v6i2.5238.
Downloads
Published
2025-01-01
Issue
Section
Articles
License
CC BY-SA 4.0
Attribution-ShareAlike 4.0
You are free to:
- Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
- Adapt — remix, transform, and build upon the material for any purpose, even commercially.
- The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
- Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
- ShareAlike — If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
- No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation .
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
How to Cite
[1]
“PERBANDINGAN METODE K-NEAREST NEIGHBOR DAN MODIFIED K-NEAREST NEIGHBOR UNTUK KLASIFIKASI KELUARGA BERESIKO STUNTING”, zn, vol. 7, no. 1, pp. 37–48, Jan. 2025, doi: 10.31849/zn.v7i1.24698.
