IMPLEMENTASI METODE NEIGHBOR WEIGHTED K-NEAREST NEIGHBOR PADA PENGKLASIFIKASIAN STATUS GIZI BALITA DI WILAYAH KERJA PUSKESMAS WONOREJO KOTA SAMARINDA

Putri Aisha; M. Fathurahman; Surya Prangga

doi:10.30598/variancevol6iss1page11-20

Putri Aisha
M. Fathurahman Department of Mathematics, Mulawarman University, Samarinda, East Kalimantan, Indonesia
Surya Prangga

DOI: https://doi.org/10.30598/variancevol6iss1page11-20

Keywords: Data Mining, Klasifikasi, Machine Learning, NWKNN, Status Gizi Balita

Abstract

Neighbor Weighted K-Nearest Neighbor (NWKNN) merupakan salah satu metode klasifikasi dalam machine learning yang dikembangkan dari metode K-Nearest Neighbor (KNN). Metode NWKNN memiliki kelebihan dibanding KNN, terutama untuk menangani masalah jumlah kelas yang tidak seimbang dalam pengklasifikasian data mining. Konsep dari metode NWKNN adalah pemberian bobot yang besar untuk kelas minoritas dan bobot yang kecil untuk kelas mayoritas. Metode NWKNN dalam penelitian ini diterapkan pada pengklasifikasian status gizi balita di Kota Samarinda. Menurut World Health Organization (WHO), Indonesia merupakan salah satu negara dengan prevalensi stunting pada balita tertinggi di regional Asia Tenggara pada Tahun 2005 sampai dengan 2017, dengan rata-rata prevalensi stunting pada balita sebesar 36,4%. Status gizi adalah salah satu faktor penyebab terjadinya stunting pada balita. Penelitian ini bertujuan mendapatkan hasil pengklasifikasian status gizi balita menggunakan metode NWKNN dan nilai akurasinya. Data yang digunakan adalah data balita di wilayah kerja Puskesmas Wonorejo Kota Samarinda Tahun 2022. Berdasarkan hasil klasifikasi status gizi balita menggunakan metode NWKNN, terdapat 93 balita yang diklasifikasikan secara tepat dari 128 balita dengan nilai akurasi sebesar 72,65%. Nilai akurasi ini termasuk cukup baik dan menunjukkan bahwa metode NWKNN layak digunakan untuk memprediksi ketepatan klasifikasi status gizi balita di wilayah kerja Puskesmas Wonorejo, Kota Samarinda.

.

Downloads

Download data is not yet available.

References

M. Kantardzic, Data Mining: Concepts, Models, Methods, and Algorithms, Hoboken, New Jersey: John Wiley & Sons, 2020.

P. Dangeti, Statistics for Machine Learning, Birmingham, UK: Packt Publishing, 2017.

E. Russano and E. F. Avelino, Fundamentals of Machine Learning Using Python, Oakville, Canada: Arcler Press, 2020.

Z. Haizadeh, M. Taheri and M. Z. Jahromi, "Nearest neighbor classification with localy weighted distance for imbalanced data," International Journal of Computer and Communication Engineering, vol. 3, no. 2, pp. 81-86, 2014.

S. Tan, "Neighbor-weighted k-nearest neighbor for unbalanced text corpus," Expert Systems with Applications, vol. 28, pp. 667-671, 2005.

Indriati and A. Ridok, "Sentiment analysis for review mobile applications using neighbor weighted k-nearest neighbor (NWKNN) method," Journal of Environmental Engineering & Sustainable Technology, vol. 3, no. 1, pp. 23-32, 2016.

B. L. Yudha, H. Muflikhah and R. C. Wihandika, "Klasifikasi risiko hipertensi menggunakan metode neighbor weighted k-nearest neighbor (NWKNN)," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 2, pp. 897-904, 2018.

A. H. Hadi, D. E. Ratnawati and C. Dewi, "Identifikasi Penyakit Gagal Ginjal menggunakan metode neighbor weighted k-nearest neighbor (NWKNN)," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 9, pp. 2562-2569, 2018.

Grasella, I. Purnamasari and F. D. T. Amijaya, "Klasifikasi status pembayaran premi menggunakan algoritma neighbor weighted k-nearest neighbor (NWKNN) (Studi kasus: PT. Bumiputera Kota Samarinda)," Variance: Journal of Statistics and Its Applications, vol. 1, no. 2, pp. 56-63, 2019.

P. N. Fadilla, Indriati and E. D. Ratnawati, "Identifikasi jenis attention deficit hyperactivity disorder (ADHD) pada anak usia dini menggunakan metode neighbor weighted k-nearest neighbor (NWKNN)," Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 3, pp. 194-200, 2016.

Indriati and A. Kusyanti, "Metode ensemble classifier untuk mendeteksi jenis attention deficit hyperactivity disorder pada anak usia dinai," Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 3, pp. 301-308, 2019.

R. A. Azizah, F. A. Bachtiar and S. Adinugroho, "Klasifikasi kinerja akademik siswa menggunakan neighbor weighted k-nearest neighbor dengan seleksi fitur information gain," Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 3, pp. 605-614, 2022.

D. T. Wilujeng, M. Fatekurohman and I. M. Tirta, "Analisis risiko kredit perbankan menggunakan algoritma k-nearest neighbor dan nearest weighted k-nearest neighbor," Indonesian Journal of Applied Statistics, vol. 5, no. 2, pp. 142-148, 2023.

S. S. Milania, C. Suhery and T. Rismawan, "Klasifikasi demam menggunakan metode neighbor weighted k-nearest neighbor," Journal of Computing Engineering, System and Science, vol. 8, no. 2, pp. 250-261, 2023.

A. A. A. Hidayat, G. Marini and A. P. M. Tyas, "Factors affecting nutritional status in children aged 6–24 months," Open Access Macedonian Journal of Medical Sciences, vol. 8, pp. 291-295, 2020.

E. Prasetyo, Data Mining: Mengolah Data menjadi Informasi Menggunakan MATLAB, Yogyakarta: Andi , 2014.

T. T. Wong and N. Y. Yang, "Dependency analysis of accuracy estimates in k-Fold Cross Validation," IEEE Transactions on Knowledge and Data Engineering, vol. 29, no. 11, pp. 2417-2427, 2017.

A. Aditya, B. N. Sari and T. N. Padilah, "Perbandingan pengukuran jarak Euclidean dan Gower pada klaster k-medoids," Jurnal Teknologi dan Sistem Komputer, vol. 9, no. 1, pp. 1-7, 2021.