KLASIFIKASI STATUS GIZI BALITA DI KABUPATEN BENGKULU TENGAH PUSKESMAS TANJUNG DALAM DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN)

Studi Status Gizi Indonesia (SSGI) tahun 2019 merilis status gizi balita di
Provinsi Bengkulu sebesar 26,86%. Dari angka tersebut diketahui terdapat pada
karakteristik tempat tinggal tercatat wilayah diperdesaan yang mencapai 31,19%
yang lebih tinggi dari wilayah perkotaan. Status gizi balita di Kabupaten
Bengkulu Tengah masih tergolong tinggi yaitu 25,5% urutan ke-2 setelah Rejang
Lebong maka perlu adanya peningkatan pada status gizi balita dengan lebih
memperhatikan klasifikasi status gizi pada balita umur 0-59 bulan. Proses
pengklasifikasian status gizi pada balita di Bengkulu Tengah masih dilakukan
secara manual yaitu dengan membandingkan nilai z-score terhadap tabel kriteria
status gizi, tentu proses pengklasifikasian secara manual akan memerlukan banyak
waktu dan tenaga. Oleh karena itu, perlu adanya peningkatan dalam proses
pengklasifikasian status gizi balita dengan menggunakan sebuah metode machine
learning. Metode K-NN adalah sebuah metode machine learning untuk
melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang
jaraknya paling dekat dengan objek tersebut. Prinsip kerja dari K-NN adalah
mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga
(neighbor) terdekatnya dalam data training. Proses klasifikasi K-NN untuk
menentukan akurasi dengan menggunakan metode 10-fold cross validation dan
Confusion matrix. Data yang digunakan adalah data sekunder status gizi balita di
Puskesmas Tanjung dalam Bengkulu Tengah dengan kategorik Buruk, Kurang,
Baik, Lebih dan untuk variabel X Usia, Berat badan, Tinggi badan, Jenis kelamin.
Dapat dilihat bahwa nila akurasi metode K-Fold Cross Validation yang paling
besar yaitu pada K=5 dengan nilai akurasi sebesar 87.54% Oleh karena itu, nilai
K-fold=5 dalam artian bahwa pada 5 pembagian data sudah menunjukkan nilai
akurasi yang tertinggi dan menjadi nilai K-fold terbaik. dan untuk nilai akurasi
metode Confusion Matrix pada K=5 dimana klasifikasi tersebut menghasilkan
tingkat akurasi 89.66%, sensitivity 43.75% dan specificity 85.67%.
Kata kunci: Status gizi balita, Machine Learning, K-Nearest Neighbor, K-Fold