PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK DETEKSI DINI STATUS GIZI PASIEN DEWASA
Isi Artikel Utama
Abstrak
Penilaian status gizi pasien dewasa penting untuk memahami kondisi gizi secara menyeluruh dan membantu tenaga kesehatan merencanakan perawatan yang sesuai. Namun, proses penilaian manual memerlukan waktu dan tenaga besar, terutama saat jumlah pasien tidak sebanding dengan jumlah tenaga kesehatan. Hal ini dapat menghambat pemberian perawatan gizi yang cepat dan tepat. Algoritma K-Nearest Neighbor (KNN) merupakan metode yang sering digunakan dalam klasifikasi status gizi, terutama pada balita, ibu hamil, atau klasifikasi obesitas pada orang dewasa. Penggunaan KNN untuk deteksi dini status gizi pasien dewasa masih jarang dibahas. Penelitian ini menerapkan algoritma KNN untuk mengklasifikasikan status gizi pasien dewasa menggunakan data dari ruang Alamanda 1 dan ruang ICU RSUD Sleman, yang dikumpulkan dari 2 Januari hingga 18 Oktober 2023. Dataset mencakup tinggi badan, berat badan, dan status gizi pasien. Implementasi dilakukan menggunakan RapidMiner dengan nilai k ganjil kurang dari 20, serta pembagian data pelatihan dan pengujian dalam rasio 90:10, 70:30, dan 50:50. Hasil menunjukkan bahwa nilai k optimal untuk akurasi tertinggi adalah k = 1 dan k = 3 pada rasio data 70:30, dengan akurasi sebesar 96,77%. Sensitivitas tertinggi sebesar 97,61% juga dicapai pada k = 3 dengan rasio 70:30. Algoritma KNN menunjukkan potensi tinggi untuk dikembangkan menjadi sistem deteksi dini status gizi pasien dewasa di rumah sakit, guna mendukung pelayanan gizi yang lebih cepat dan akurat
Unduhan
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Penulis yang menerbitkan dengan Positif : Jurnal Sistem dan Teknologi Informasi menyetujui persyaratan berikut:
- Penulis memegang hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Lisensi Atribusi Creative Commons yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.
- Penulis dapat masuk ke dalam pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan publikasi awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif, serta kutipan lebih awal dan lebih besar dari karya yang diterbitkan.
This work is licensed under a Creative Commons Attribution 4.0 International License.
Referensi
[1] M. Musnaimah, A. Alifatin, and N. Hayatin, “Expert System to Identify Risk Factors of Toddler’s Nutrition Status with Case Based Reasoning,” J. Peremp. dan Anak, vol. 3, no. 1, p. 27, 2020, doi: 10.22219/jpa.v3i1.11810.
[2] R. Setiawan and A. Triayudi, “Klasifikasi Status Gizi Balita Menggunakan Naïve Bayes dan K-Nearest Neighbor Berbasis Web,” J. Media Inform. Budidarma, vol. 6, no. 2, p. 777, 2022, doi: 10.30865/mib.v6i2.3566.
[3] A. Y. Budiman, “Penerapan K-Nearest Neighbor Classification dalam penentuan status Gizi Ibu Hamil berdasarkan tingkat konsumsi makanan secara harian,” Repository.Uinjkt.Ac.Id, [Online]. Available: https://repository.uinjkt.ac.id/dspace/handle/123456789/67817%0Ahttps://repository.uinjkt.ac.id/dspace/bitstream/123456789/67817/1/ADRIANTO YUSUF BUDIMAN-FST.pdf
[4] R. U. Izzah, S. Wahyuningsih, and F. D. T. Amijaya, “Classification of nutritional status of toddlers using fuzzy k-nearest neighbor in every class (FK-NNC),” J. Phys. Conf. Ser., vol. 1277, no. 1, 2019, doi: 10.1088/1742-6596/1277/1/012050.
[5] A. M. S. I. Dewi and I. B. G. Dwidasmara, “Implementation Of The K-Nearest Neighbor (KNN) Algorithm For Classification Of Obesity Levels,” JELIKU (Jurnal Elektron. Ilmu Komput. Udayana), vol. 9, no. 2, p. 277, 2020, doi: 10.24843/jlk.2020.v09.i02.p15.
[6] S. Suprayogi, C. A. Sari, and E. H. Rachmawanto, “Sentiment Analyst on Twitter Using the K-Nearest Neighbors (KNN) Algorithm Against Covid-19 Vaccination,” J. Appl. Intell. Syst., vol. 7, no. 2, pp. 135–145, 2022, doi: 10.33633/jais.v7i2.6734.
[7] Y. Fredyatama and Z. Abidin, “CLASSIFICATION FEASIBILITY OF BLOOD THAT CAN BE DONORED USING K-NN WITH K-MEANS OPTIMIZATION KLASIFIKASI KELAYAKAN DARAH YANG DAPAT DIDONORKAN MENGGUNAKAN K-NN DENGAN OPTIMASI K-MEANS,” vol. 4, no. 1, pp. 41–57, 2023.
[8] H. Saputro, F. Zalmi, and R. Syahputra, “Performance Testing of KNN and Logistic Regression Algorithms in Classifying Heart Disease Susceptibility,” vol. 04, no. 04, pp. 140–144, 2023.
[9] S. Adi and A. Wintarti, “Komparasi Metode Support Vector Machine (Svm), K-Nearest Neighbors (Knn), Dan Random Forest (Rf) Untuk Prediksi Penyakit Gagal Jantung,” MATHunesa J. Ilm. Mat., vol. 10, no. 2, pp. 258–268, 2022, doi: 10.26740/mathunesa.v10n2.p258-268.
[10] S. Zulaikhah Hariyanti Rukmana, A. Aziz, and W. Harianto, “Optimasi Algoritma K-Nearest Neighbor (Knn) Dengan Normalisasi Dan Seleksi Fitur Untuk Klasifikasi Penyakit Liver,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 439–445, 2022, doi: 10.36040/jati.v6i2.4722.
[11] F. Sunusi, Z. Zainuddin, and S. Sahibu, “Sistem Deteksi Plat Kendaraan Dengan Menggunakan Metode K-Nearest Neghbour (Knn),” J. Ris. Inform., vol. 1, no. 2, pp. 9–14, 2019, doi: 10.34288/jri.v1i2.18.
[12] E. P. Laksono, A. d Basuki, and F. Abdurrachman Bachtiar, “Optimasi Nilai K pada Algoritma KNN untuk klasifikasi Spam dan Ham Email,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 2, pp. 377–383, 2020.
[13] E. H. Rachmawanto and H. P. Hadi, “O Ptimasi E Kstraksi F Itur P Ada Knn,” vol. 22, no. 2, pp. 58–67, 2021.
[14] R. A. Saputra, Suharyanto, S. Wasiyanti, D. F. Saefudin, A. Supriyatna, and A. Wibowo, “Rice Leaf Disease Image Classifications Using KNN Based on GLCM Feature Extraction,” J. Phys. Conf. Ser., vol. 1641, no. 1, 2020, doi: 10.1088/1742-6596/1641/1/012080.
[15] Vika Vitaloka Pramansah, “Analisis Perbandingan Algoritma SVM Dan KNN Untuk Klasifikasi Anime Bergenre Drama,” J. Inform. dan Teknol. Komput. ( J-ICOM), vol. 3, no. 1, pp. 49–55, 2022, doi: 10.33059/j-icom.v3i1.4950.
[16] E. R. Tauran, “Prediksi Harga Saham Pt Bank Central Asia Tbk Berdasarkan Data Dari Bursa Efek Indonesia Menggunakan Metode K-Nearest Neighbors (Knn),” TeIKa, vol. 11, no. 2, pp. 123–129, 2021, doi: 10.36342/teika.v11i2.2609.
[17] Isman, Andani Ahmad, and Abdul Latief, “Perbandingan Metode KNN Dan LBPH Pada Klasifikasi Daun Herbal,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 3, pp. 557–564, 2021, doi: 10.29207/resti.v5i3.3006.
[18] Y. C. Tapidingan and D. Paseru, “Comparative Analysis of Classification Methods of KNN and Naïve Bayes to Determine Stress Level of Junior High School Students,” Indones. J. Inf. Syst., vol. 2, no. 2, pp. 80–89, 2020, doi: 10.24002/ijis.v2i2.3035.
[19] C. Manliguez, “Generalized Confusion Matrix for Multiple Classes Generalized Confusion Matrix for Multiple Classes The total numbers of false negative ( TFN ), false positive ( TFP ), and true negative ( TTN ) for each class i will be calculated based on the Generalized,” no. November, pp. 5–7, 2016, doi: 10.13140/RG.2.2.31150.51523.
[20] A. Tharwat, “Classification assessment methods,” Appl. Comput. Informatics, vol. 17, no. 1, pp. 168–192, 2018, doi: 10.1016/j.aci.2018.08.003.
[21] S. Zhang, “Challenges in KNN Classification,” IEEE Trans. Knowl. Data Eng., vol. 34, no. 10, pp. 4663–4675, 2021, doi: 10.1109/TKDE.2021.3049250.
[22] Q. H. Nguyen et al., “Influence of data splitting on performance of machine learning models in prediction of shear strength of soil,” Math. Probl. Eng., vol. 2021, 2021, doi: 10.1155/2021/4832864.