Penilaian Status Gizi Balita Menggunakan Metode K-Nearest Neighbor
Restu Shafira1, Prajoko2, Agung Pambudi3
Fakultas Sains dan Teknologi, Universitas Muhammadiyah Sukabumi Email: restushafira41@gmail.com
Fakultas Sains dan Teknologi, Universitas Muhammadiyah Sukabumi Email: prajoko-ti@ummi.ac.id
Fakultas Sains dan Teknologi, Universitas Muhammadiyah Sukabumi Email: agungpambd@ummi.ac.id
Abstrak
Gizi merupakan asupan penting yang mempengaruhi tumbuh kembang seorang anak kebutuhan gizi pada anak terutama balita sangat rentan mengalami perubahan berat badan. Untuk mengetahui penilaian status gizi, balita akan melakukan pemeriksaan antropometri yang terdiri dari pengukuran tinggi badan dan berat badan diposyandu pada tiap bulannya. Hasil pemeriksaan tersebut akan dicatat secara manual pada sebuah kertas yang disebut KMS (Kartu Menuju Sehat). Metode tersebut kurang akurat serta kurang lengkap karena penilaian status gizi hanya berdasarkan berat badan menurut umur (BB/U) balita saja. Oleh sebab itu digunakanlah algoritma data mining yaitu algoritma k-nearest neighbor (KNN) yang dapat mengklasifikasi status gizi balita berdasarkan 3 parameter yaitu penilaian status gizi berdasarkan berat badan menurut umur (BB/U), penilaian status gizi tinggi badan menurut umur (TB/U) dan penilaian status gizi berdasarkan berat badan menurut tinggi badan (BB/TB). Algoritma K-Nearest Neighbor dapat memenuhi variabel-variabel dalam klasifikasi status gizi balita dan juga merupakan metode yang digunakan dalam pengklasifikasian dengan mencari jarak terdekat antara data yang akan dievaluasi dengan tetangga terdekatnya dalam data pelatihan.
Penilaian status gizi dengan metode K-Nearest Neighbor ini menghasilkan nilai akurasi diantaranya yaitu berdasarkan berat badan menurut umur (BB/U) menghasilkan nilai akurasi sebesar 91%, berdasarkan tinggi badan menurut umur (TB/U) menghasilkan nilai akurasi sebesar 88% dan berdasarkan berat badan menurut tinggi badan (BB/TB) menghasilkan nilai akurasi sebesar 90%.
Kata Kunci: Algoritma K-Nearest Neighbor, Data Mining, Penilaian Status Gizi Balita
PENDAHULUAN
Kesehatan merupakan sesuatu yang penting bagi kehidupan seorang manusia, apalagi pada tumbuh kembang seorang anak.
Peran orang tua sangat mempengaruhi hal tersebut, apabila segala kebutuhan Gizi anak diabaikan, maka dikhawatirkan anak akan mengalami tumbuh kembang yang kurang optimal. Kebutuhan Gizi pada anak terutama balita sangat rentan mengalami perubahan berat badan. Orang tua terkadang kesulitan untuk membedakan anak yang mengalami kekurang gizi atau yang menderita gejala penyakit lainnya, sehingga mereka mengabaikan perubahan fisik tersebut. (Orina Fitri, 2017)
Menurut Peraturan Menteri Kesehatan Republik Indonesia Nomor 2 tahun 2020 tentang Standar Antropometri Anak Pasal 2 terdapat Empat Standar yang dijadikan parameter dan acuan untuk menghitung status gizi anak diantaranya yaitu, Berat Badan menurut Umur (BB/U), Panjang/Tinggi Badan menurut Umur (PB/U atau TB/U), Berat Badan menurut Panjang/Tinggi Badan (BB/PB atau BB/TB) dan Indeks Massa Tubuh menurut Umur (IMT/U). (PERMENKES RI, 2020)
Untuk mengetahui Penilaian Status Gizi pada seorang balita, Balita akan melalukan pemeriksaan diposyandu pada tiap bulannya, Balita akan diukur antropometrinya. Hasil pemeriksaan anak tersebut akan dicatat secara
manual pada sebuah kertas yang disebut KMS (Kartu Menuju Sehat). Metode tersebut rentan terhadap kesalahan data dan kerancuan mengenai status gizi anak. Selain itu, Metode tersebut kurang akurat serta kurang lengkap karena hanya dilihat dari Status Berat Badan dan Umur (BB/U) balita saja. (gunawan &
nugraha ash shofar, 2018)
Untuk memecahkan permasalahan tersebut perlu dibuatkan sebuah sistem yang berfungsi untuk memudahkan dalam penilaian status gizi balita. Oleh sebab digunakanlah algoritma data mining klasifikasi yaitu algoritma K-Nearest Neighbor untuk menghitung status gizi balita yang berfokus pada penilaian status gizi berdasarkan 3 parameter yaitu penilaian status gizi berdasarkan Berat Badan menurut Umur (BB/U), berdasarkan Tinggi Badan menurut Umur (TB/U) dan berdasarkan Berat Badan menurut Umur (BB/TB) yang dapat menghasilkan klasifikasi status gizi balita secara terkomputasi dan sesuai dengan standar antropometri yang berlaku.
Tabel 1.Indeks dan Kategori Status Gizi Indeks Kategori Status Gizi
Berat Badan menurut Umur (BB/U) usia 0-60 bulan
Berat badan sangat
kurang (severely underweight) Berat badan kurang
(underweight) Berat badan normal Resiko berat bedan lebih
Panjang badan atau tinggi badan menurut Umur (PB/U atau TB/U)usia 0-60 bulan
Sangat pendek (severely stunted)
Pendek (stunted) Normal
Tinggi
Berat Badan menurut Tinggi Badan (BB/TB) usia 0-60 bulan
Gizi buruk (severely wasted) Gizi kurang (wasted)
Gizi baik (normal)
Berisiko gizi lebih (possible risk of overweight)
Gizi lebih (overweight) Obesitas (obese)
Ada beberapa referensi dari penelitian terdahulu yang dijadikan acuan pada penelitian ini. Diantaranya yaitu pada jurnal dengan judul
“Penerapan algoritma C4.5 dalam klasifikasi status gizi balita” yang ditulis oleh Hajar Izzatul Islam Muhamad, Khandava Mulyadien dan Ultach Enri pada tahun 2022. Dari hasil penelitian ini, algoritama C4.5 menghasilkan nilai akurasi sebesar 90% (Islam et al., 2022).
adapula jurnal dengan judul “klasifikasi status gizi balita menggunakan metode K-Nearest Neighbor” yang ditulis oleh Hamsir Saleh, Muh. Faisal dan Rachmat Irawan Musa pada tahun 2019. Dari hasil penelitian ini menghasilkan hasil pengujian menggunakan white box dan basis path yang menghasilkan nilai V(G)=CC yaitu = 4. Pada penelitian ini hanya berfokus menghitung status gizi berdasarkan Berat Badan per Umur (BB/U) (Saleh et al., 2019). Dari penelitian terdahulu tersebut, maka pada penelitian ini menggunakan metode K-Nearest Neighbor dalam penilaian status gizi balita berdasarkan 3 paramater yaitu Berat Badan Menurut Umur, Tinggi Badan menurut Umur dan Berat Badan menurut Tinggi Badan
Algoritma K-Nearest Neigbor (KNN) adalah sebuah metode untuk melakukan proses klasifikasi terhadap objek berdasarkan data latih atau pembelajaran yang jaraknya paling dekat dengan objek tersebut. Perhitungan jarak terdekat ini menggunakan rumus Euclidean Distance. Pada proses klasifikasinya akan memilih mayoritas data dari kategori pada KNN. (Liantoni, 2015)
METODE PENELITIAN
Gambar 1. Tahapan Metode Penelitian
Untuk memudahkan penggunaan algoritma KNN ini, maka di gunakan pula Metode Knowledge Discovery In Databases (KDD) sebagai cara untuk mengeloh data awal menjadi sebuah knowledge atau pengetahuan baru. Metode Knowled Knowledge Discovery In Databases (KDD) diimplemtasikan dengan menggunakan Bahasa pemograman pyton pada Google Colaboratory. Adapun tahapan dalam Metode Knowledge Discovery Database diantaranya yaitu:
2.1 Selection Data
Tahapan pertama adalah seleksi data,Adapun kegiatan yang dilakukan adalah mengumpulkan data. Berupa data balita yang ada di puskesmas sukalarang. Data tersebut berisi data balita dengan identitas yang lengkap.
2.2 Preprocessing Data
Proses mempersiapkan data sebelum dilakukan pemodelan. Kegiatan yang dilakukan adalah mengecek missing value, menghapus data yang tidak digunakan, dan merapihkan data.
2.3 Transformation Data
Data set keseluruhan akan dibagi menjadi 2 data yaitu menjadi Data Training Dan Data Testing
2.4 Data Mining
Setelah data set selesai diolah sesuai dengan kebutuhan. selanjutnya yaitu proses penerapan data mining dengan menggunakan metode yang telah dipilih yaitu metode K- Nearest Neighbor.
2.5 Evaluasi
Pada tahap evaluation ini akan di lakukan pengukuran terhadap seberapa tinggi nilai akurasi pada implemetasi penilaian status gizi balita menggunakan algoritma k-nearst neighbor.
HASIL DAN PEMBAHASAN 3.1 Selection Data
Proses pengumpulan data pada penelitian ini didapatkan dari puskemas sukalarang, yaitu berupa data set penilaian status gizi balita di desa cimangkok pada bulan oktober 2022.
Data set awal penilaian status gizi ini berjumlah 753 balita. Data set berisikan data- data diantaranya NIK, Nama Balita, Jenis Kelamin, Tanggal Lahir, Nama Orang Tua,
Alamat, Nama Posyandu, Tanggal Pemeriksaan, Berat Badan, Tinggi Badan, Lingkar Kepala, Status Gizi berdasarkan Berat Badan per Umur (BBU), Hasil perhitungan Z- Score dari Berat Badan Per Umur (ZS BB/U), Status Gizi berdasarkan Tinggi Badan per Umur (TBU), Hasil perhitungan Z-Score dari Tinggi Badan Per Umur (ZS TB/U), Status Gizi berdasarkan Berat Badan per Tinggi Badan (BBTB) dan Hasil perhitungan Z-Score dari Berat Badan Per Tinggi Badan(ZS BB/TB).
Bentuk dataset awal seperti berikut:
Gambar 2. Data set awal 3.2 Preprocessing Data
Dataset awal harus melalui tahapan preprocessing terlebih dahulu agar data sesuai dengan kebutuhan. Adapun dataset yang digunakan dalam pemodelan adalah data usia saat ukur, Berat, Tinggi, BBU, TBU dan BBTB sehingga data yang tidak dibutuhkan dihapus atau di drop.
Gambar 3. Data set untuk KNN 3.3 Model Data Mining KNN
Untuk memudahkan pengimplemtasian metode K-Nearest Neighbor ini digunakan contoh kasus yaitu mencari status gizi balita anak dengan usia 11 bulan, berat badan 8 kg dan tinggi badan 73 cm. contoh dalam perhitungan manualnya hanya menggunakan 11 data pelatihan. Seperti pada tabel dibawah ini.
Tabel 2. Data Pelatihan
Adapun tahapan dari metode k-Nearest Neighbor sebagai berikut:
1. Menentukan parameter K
Nilai k yang akan digunakan adalah 5.
Nilai K merupakan jumlah tetangga terdekat yang berada paling dekat dengan objek data training.
2. Hitung jarak antara data yang akan dievaluasi dengan semua data pelatihan
Perhitungan jarak ini menggunakan rumus euclideun distance persamaan sebagai berikut:
𝑑𝑖 = √(𝑝1 − 𝑞1)2 + (𝑝2 − 𝑞2)2+ ⋯ + (𝑝𝑛 − 𝑞𝑛)2
𝑑1 = √(11 − 10)2 + (8 − 9)2+ (73 − 70)2 = √(1)2 + (−1)2+ (3)2
= √11 = 3.31
𝑑2 = √(11 − 58)2 + (8 − 11)2+ (73 − 93)2 = 51.3 𝑑3 = √(11 − 23)2 + (8 − 13)2+ (73 − 83)2 = 16.4 𝑑4 = √(11 − 16)2 + (8 − 9)2+ (73 − 79)2 = 7.87 𝑑5 = √(11 − 6)2 + (8 − 6)2+ (73 − 63)2 = 11.3 𝑑6 = √(11 − 11)2 + (8 − 7)2+ (73 − 71)2 = 2.23 𝑑7 = √(11 − 11)2 + (8 − 9)2+ (73 − 76)2 = 3.16 𝑑8 = √(11 − 38)2 + (8 − 18)2+ (73 − 105)2 43.04 𝑑9 = √(11 − 7)2 + (8 − 7)2+ (73 − 62)2 =11.7 𝑑10 = √(11 − 43)2 + (8 − 17)2+ (73 − 99)2 =42.2 𝑑11 = √(11 − 13)2 + (8 − 13.6)2+ (73 − 77)2 7.16
3. Urutkan jarak terdekat dari hasil perhitungan rumus euclideun
Hasil perhitungan Euclidean di urutkan dari nilai terkecil hingga yang terbesar, semakin kecil nilainya semakin dekat pula jarak antara data training dengan data uji, Dan semakin besar nilainya makin semakin jauh jarak antara data training dengan data uji.
Seperti pada tabel berikut
Tabel 3. Hasil Euclidean
Nama Hasil
D6 2.23
D7 3.16
D1 3.31
D11 7.16
D4 7.87
D5 11.3
D9 11.7
D3 16.4
D10 42.2
D8 43.04
D2 51.3
4. Tentukan 5 jarak terdekat dari data uji Setelah di urutkan pilih 5 tetangga terdekat dari dari uji
Tabel 4. Hasil 5 jarak tedekat Nama Hasil
D6 2.23
D7 3.16
D1 3.31
D11 7.16
D4 7.87
5. Pasangkan penilaian yang bersesuaian Dari hasil perhitungan Euclidean maka menghasilkan penilaian status gizi diantaranya:
No Umur (Bulan)
BB (Kg)
TB (Cm)
STATUS GIZI
BBU TBU BBTB
1 10 9 70 Normal Normal Gizi Baik
2 58 11 93 Sangat
Kurang
Sangat Pendek
Gizi Kurang 3 23 13 83 Normal Normal Resiko
Gizi Lebih 4 16 9 79 Normal Normal Gizi
Baik 5 6 6 63 Kurang Pendek Gizi Baik 6 11 7 71 Normal Normal Gizi
Kurang 7 11 9 76 Normal Normal Gizi
Baik
8 38 18 105 Risiko
Lebih
Normal Gizi Baik
9 7 7 62 Normal Sangat
Pendek Gizi Baik 10 43 17 99 Normal Normal Resiko
Gizi Lebih 11 13 13.6 77 Risiko
Lebih
Normal Obesitas
Tabel 5. Hasil status Gizi
Nama BBU TBU BBTB
D6 Normal Normal Gizi Kurang D7 Normal Normal Gizi Baik D1 Normal Normal Gizi Baik D11 Risiko
Lebih
Normal Obesitas D4 Normal Normal Gizi Baik 6. Cari jumlah kelas tetangga yang terdekat dan tetapkan kelas tersebut sebagai kelas data yang akan dievaluasi
Dari BBU menghasilkan 4 normal dan 1 Risiko berat badan lebih, maka penilaian status gizi berdasarkan berat badan menurut umur ini menghasilkan berat badan normal. Dari TBU menghasilkan 5 normal, maka penilaian status gizi berdasarkan tinggi badan menurut umur ini menghasilkan tinggi normal. Dari BBTB menghasilkan 3 Gizi Baik, 1 Gizi Kurang dan 1 obesitas, maka penilaian status gizi berdasarkan berat badan menurut tinggi badan ini menghasilkan Status Gizi Baik.
Hasil klasifikasi status gizi menggunakan Bahasa pyton dengan keseluruhan data pelatihan sebanyak 602 data. Mencari jarak data baru dengan data pelatihan menggunakan rumus Euclidean Distance, serta mengurutkannya sebanyak K yaitu 5, yang menghasilkan diantaranya:
1. Penilaian status gizi berdasarkan berat badan menurut umur
Gambar 4. Hasil dari BBU
Menghasilkan 5 berat badan normal maka hasil penilaian status gizi balita berdasarkan berat badan menurut umur adalahh berat badan normal.
2. Penilaian status gizi berdasarkan tinggi badan menurut umur
Gambar 5. Hasil dari TBU
Menghasilkan 5 tinggi normal maka hasil penilaian status gizi balita berdasarkan tinggi badan menurut umur adalah tingginya normal 3. Penilaian status gizi berdasarkan berat badan menurut tinggi badan
Gambar 6. Hasil dari BBTB
Menghasilkan 5 gizi baik, maka hasil penilaian status gizi balita berdasarkan berat badan menurut tinggi badan adalah gizi baik.
4.4 Mencari Nilai Akurasi
Pada tahap evaluasi digunakan pula metode Confusion Matrix untuk menghitung nlai akurasi. Adapaun cara kerja nya adalah dengan meghitung data testing dari penilaian status gizi, Adapun hasilnya diantaranya:
1. Penilaian status gizi berdasarkan berat badan menurut umur
Gambar 8. Hasil akurasi BBU
Berdasarkan hasil evaluasi yang telah dilakukan, Penilaian Status Gizi menggunakan Algoritma K-Nearest Neighbor Berdasarkan Berat badan per Umur menghasilkan nilai akurasi sebesar 0,91 atau sebesar 91%
2. penilaian status gizi berdasarkan tinggi badan menurut umur
Gambar 9. Hasil akurasi TBU
Berdasarkan hasil evaluasi yang telah dilakukan, Penilaian Status Gizi menggunakan Algoritma K-Nearest Neighbor Berdasarkan Tinggi badan per Umur menghasilkan nilai akurasi sebesar 0,88 atau sebesar 88%.
3. Penilaian status gizi berdasarkan berat badan menurut tinggi badan
Gambar 10. Hasil akurasi BBTB Berdasarkan hasil evaluasi yang telah dilakukan, Penilaian Status Gizi menggunakan Algoritma K-Nearest Neighbor Berdasarkan Tinggi badan per Umur menghasilkan nilai akurasi sebesar 0,90 atau sebesar 90%.
KESIMPULAN
Metode K-Nearst Neighbor adalah salah satu metode data mining klasifikasi yang dapat digunakan dalam penilaian status gizi balita.
Metode K-Nearest Neighbor ini mencari jarak terdekat antara data yang akan dievaluasi dengan tetangga terdekatnya dalam data pelatihan. Perhitungan jarak terdekat ini menggunakan rumus Euclidean Distance.
Untuk menguji algoritma ini maka digunakan pula metode confusion matriks yang menghitung nilai akurasi berdasarkan parameter tiap penilaian status gizi balita. Dari pengimpelentasian metode tersebut penilaian status gizi berdasarkan berat badan per umur menghasilkan nilai akurasi sebesar 91%.
penilaian status gizi berdasarkan tinggi badan per umur menghasilkan nilai akurasi sebesar 88%. penilaian status gizi berdasarkan berat badan per tinggi menghasilkan nilai akurasi sebesar 90%.
REFERENSI
[1] gunawan, & nugraha ash shofar, ikhsan.
(2018). PENENTUAN STATUS GIZI
BALITA BERBASIS WEB
MENGGUNAKAN METODE Z-
SCORE. Jurnal Infotronik, 3(2549–
7756), 120–125.
[2] Islam, H. I., Khandava Mulyadien, M., Enri, U., Singaperbangsa, U., & Abstract, K. (2022). Penerapan Algoritma C4.5 dalam Klasifikasi Status Gizi Balita.
Jurnal Ilmiah Wahana Pendidikan,
8(10), 116–125.
https://doi.org/10.5281/zenodo.6791722 [3] Liantoni, F. (2015). Klasifikasi Daun
Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor. ULTIMATICS, VII(2).
[4] Orina Fitri, M. (2017). APLIKASI
MONITORING PERKEMBANGAN
STATUS GIZI ANAK DAN BALITA SECARA DIGITAL DENGAN METODE ANTROPOMETRI BERBASIS ANDROID (Vol. 2).
[5] PERMENKES RI. (2020).
[6] Saleh, H., Faisal, M., & Musa, R. I.
(2019). KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN METODE K- NEAREST NEIGHBOR. 4(2).
[7] mardi, yuli. (2017). Data Mining : Klasifikasi Menggunakan Algoritma C4.5 Yuli Mardi.
[8] Dianingrum, M., & Suryanto, A. (2014).
Penentuan Status Gizi Balita Berbasis Android Menggunakan Metode Analitycal Hierarchy Process (AHP) (Determination of Nutritional Status of Children Using Android Based Analytical Hierarchy Process (AHP)). In JUITA (Vol. 1).
