heriyanto, andri (2021) PENERAPAN METODE K-NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI STUNTING PADA BALITA. Undergraduate thesis, Universitas Muhammadiyah jember.
![[img]](http://repository.unmuhjember.ac.id/style/images/fileicons/text.png) |
Text
a. pendahuluan.pdf Download (718kB) |
|
Text
b. abstrak.pdf Download (143kB) |
|
Text
c. bab 1.pdf Download (364kB) |
|
Text
d. bab 2.pdf Restricted to Repository staff only Download (537kB) | Request a copy |
|
Text
e. bab 3.pdf Restricted to Repository staff only Download (479kB) | Request a copy |
|
Text
f. bab 4.pdf Restricted to Repository staff only Download (893kB) | Request a copy |
|
Text
g. bab 5.pdf Restricted to Repository staff only Download (138kB) | Request a copy |
|
Text
h. daftar pustaka.pdf Download (257kB) |
|
Text
i. LAMPIRAN.pdf Restricted to Repository staff only Download (185kB) | Request a copy |
|
Text
j. artikel.pdf Download (926kB) |
Abstract
Stunting merupakan salah satu permasalahan gizi yang terjadi di Indonesia. Stunting adalah status gizi yang didasarkan pada indekx Tinggi Badan menurut Umur (TB/U) Malnutrisi kronis selama pertumbuhan dan perkembangan awal digambarkan oleh stunting dari z-skor tinggi badan untuk usia (TB/U) kurang dari -2 standar deviasi (SD) berdasarkan standar pertumbuhan WHO. Pada penetian ini peneliti ingin mebuktikan bahwa menentukan balita stunting menggunakan algoritma klasifikasi K-Nearest Neighbor bisa digunakan, dengan mencari kelompok k objek dalam data training yang paling dekat (mirip) dengan objek pada data baru atau data testing Tujuan dari penelitia ini yaitu untuk Mengukur tingkat akurasi, presisi dan recall tertinggi dari hasil klasifikasi metode K- Nearest Neighbor terhadap data balita Stunting. Skenario pengujian pada penelitian ini menggunakan cross validation dengan nilai k-fold yaitu 2, 4, 5 dan 10 dengan total data 200 balita Stunting dan pada Nearest neighbor menggunakan nilai k yaitu 3, 5, 7 dan 9. Nilai akurasi tertinggi yang diperoleh metode K- nearest Neighbor adalah 95,00% pada fold 10 skenario 6, dengan k=3 presisi 100% dan recall 90 % positive class severe stunting. Dari hasil pengujian, diketahui bahwa algoritma K- nearest Neighbor bagus digunakan untuk menentukan balita stunting (pendek) atau severe stunting (sangat pendek).
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Stunting K- nearest Neighbor cross validation Akurasi presisi recall |
| Subjects: | 000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science 600 Technology and Applied Science > 610 Medicine and Health > 611 Human Anatomy, Cytology, Histology |
| Divisions: | Faculty of Engineering > Department of Informatics Engineering (S1) |
| Depositing User: | HERIYANTO ANDRI |
| Date Deposited: | 28 Jan 2021 00:59 |
| Last Modified: | 28 Jan 2021 01:01 |
| URI: | http://repository.unmuhjember.ac.id/id/eprint/8272 |
Actions (login required)
 |
View Item |