Stunting adalah masalah gizi kronis pada anak di bawah lima tahun, ditandai dengan tinggi badan menurut usia di bawah standar yang ditetapkan oleh Organisasi Kesehatan Dunia (WHO). Tingginya angka kejadian stunting di Indonesia menjadikan deteksi dini sebagai langkah penting dalam upaya pencegahan dan intervensi. Studi ini bertujuan untuk menganalisis kinerja algoritma K-Nearest Neighbor (KNN) dalam mengklasifikasikan status stunting pada balita berdasarkan data pengukuran antropometri dari Puskesmas Tegalsiwalan, Kabupaten Probolinggo. Dataset terdiri dari 2.098 catatan dari tahun 2023-2024, dengan atribut termasuk jenis kelamin, usia, berat badan, dan tinggi badan, serta diagnosis sebagai label kelas. Tahapan pra-pemrosesan meliputi transformasi usia menjadi bulan, pemilihan fitur, pengkodean label, penghapusan data duplikat, dan normalisasi menggunakan Normalisasi Min-Max. Pengujian dilakukan pada dua skenario pembagian data, yaitu rasio 80:20 dan 70:30 dengan nilai K masing-masing 3, 5, 7, dan 9. Hasil menunjukkan bahwa model KNN dengan K=3 mencapai kinerja terbaik pada kedua skenario tersebut. Dengan rasio 80:20, model mencapai akurasi 96,06%, presisi 86%, recall 89%, dan F1-score 87%. Dengan rasio 70:30, hasilnya adalah akurasi 95,24%, presisi 82%, recall 87%, dan F1-score 84%. Secara keseluruhan, pembagian 80:20 menghasilkan kinerja klasifikasi yang lebih optimal. Temuan ini menunjukkan bahwa algoritma KNN mampu mengklasifikasikan status stunting dengan akurasi tinggi, dan memiliki potensi yang kuat untuk diimplementasikan sebagai alat deteksi dini di fasilitas perawatan kesehatan primer.


Deskripsi Lain

Stunting is a chronic nutritional disorder affecting children under the age of five, characterized by a height-for-age measurement below the standard established by the World Health Organization (WHO). The high prevalence of stunting in Indonesia highlights the importance of early detection a key strategy for prevention and intervention. This study aims to evaluate the performance of the K-Nearest Neighbor (KNN) algorithm in classifying the stunting status of children under five based on anthropometric measurement data collected from the Tegalsiwalan Community Health Center, Probolinggo Regency. The dataset consists of 2,098 records from 2023–2024, including attributes such gender, age, weight, height, and diagnosis the class label. The preprocessing stages included converting age into months, feature selection, label encoding, duplicate data removal, and Min-Max normalization. The model was evaluated using two train-test split scenarios, namely 80:20 and 70:30, with K values of 3, 5, 7, and 9. The results indicate that the KNN model with K 3 achieved the best performance in both scenarios. With the 80:20 data split, the model obtained an accuracy of 96.06%, precision of 86%, recall of 89%, and an F1-score of 87%. Using the 70:30 data split, the model achieved an accuracy of 95.24%, precision of 82%, recall of 87%, and an F1-score of 84%. Overall, the 80:20 data split produced the most optimal classification performance. These findings demonstrate that the KNN algorithm is capable of classifying stunting status with high accuracy and has strong potential to be implemented an early detection tool in primary healthcare facilities.

• Pengenalan Obyek Berbasis Deep Learning Dengan Menggunakan Convolutional Neural Network
• Pengenalan Wajah Menggunakan Metode Preprocessing Image Fusion dan Ekstraksi Fitur Modified Two Dimensional Linear Discriminant Analysis
• IMPLEMENTASI SELEKSI FITUR INFORMATION GAIN DAN KLASIFIKASI REGRESI LOGISTIK UNTUK DIAGNOSA PENDERITA GINJAL KRONIS
• PENERAPAN SEGMENTASI CITRA MENGGUNAKAN METODE K-MEANS CLUSTERING
• Multi-class Seleksi Fitur F-Score Berbasis Statistik dan K-nearest Neighbor untuk Diagnosa Penyakit Sapi