Perbandingan Metode K-Nearest Neighbors dan Naïve Bayes Classifier Pada Klasifikasi Status Gizi Balita di Puskesmas Muara Jawa Kota Samarinda
DOI:
https://doi.org/10.30872/atasi.v1i1.25Keywords:
Classification, Nutritional Status, K-Nearest Neighbors (KNN), Naïve Bayes Classifier (NBC)Abstract
Klasifikasi adalah salah satu pembelajaran yang paling umum di dalam data mining. Klasifikasi dapat didefinisikan sebagai bentuk dari analisis data yang digunakan untuk mengekstrak model yang akan digunakan untuk memprediksi label kelas. Status Gizi adalah ukuran keberhasilan dalam pemenuhan nutrisi untuk anak yang diindikasikan oleh berat badan dan tinggi badan anak. Status gizi juga dapat didefinisikan sebagai status kesehatan yang dihasilkan oleh keseimbangan antara kebutuhan dan masukan nutrisi. Metode K-Nearest Neighbors (KNN) merupakan sebuah metode untuk melakukan klasifikasi berdasarkan kedekatan lokasi (jarak) suatu data dengan data yang lain. Prinsip kerja K-Nearest Neighbors (KNN) adalah mencari jarak terdekat antara data yang dievaluasi dengan (K) tetangga terdekatnya dalam data pelatihan. Metode Naïve Bayes Classifier (NBC) merupakan sebuah metode klasifikasi yang memanfaatkan teori probabilitas untuk memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya. Adapun tujuan dari penelitian ini adalah untuk melakukan perbandingan hasil Klasifikasi Status Gizi Balita dengan menggunakan metode K-Nearest Neighbors dan Naïve Bayes Classifier. Dari perbandingan performa antara metode K-Nearest Neighbors dan Naïve Bayes Classifier menggunakan f1 score sebagai patokan utama performa klasifikasi. Didapatkan hasil bahwa metode K-Nearest Neighbors unggul pada f1 score dengan selisih cukup besar yakni 13,42 %. Sehingga, dapat disimpulkan bahwa pada masalah klasifikasi status gizi balita metode K-Nearest Neighbors mengungguli Naïve Bayes Classifier.
References
Chamidah, N., Wiharto, & Salamah, U. (2012). Pengaruh Normalisasi Data pada Jaringan Syaraf Tiruan Backpropagasi Gradient Descent Adaptive Gain (BPGDAG) untuk Klasifikasi. JURNAL ITSMART, Vol. 1(No. 1).
Enterprise, J. (2017). Otodidak Pemrograman Python. Retrieved from https://books.google.co.id/books?id=K-M8DwAAQBAJ&printsec=frontcover&hl=id&source=gbs_ge_summary_r&cad=0#v=onepage&q&f=false
Faisal, M. R., & Nugrahadi, D. T. (2019). Belajar DATA SCIENCE Klasifikasi dengan Bahasa Pemrograman R. Banjarbaru: Scripta Cendekia.
Grinberg, M. (2014). Flask Web Development (Meghan Blanchette and Rachel Roumeliotis, ed.). Sebastopol: O’Reilly Media.
Hariri, F. R., & Pamungkas, D. P. (2016). IMPLEMENTASI NAÏVE BAYES CLASSIFIER UNTUK DIAGNOSA STATUS GIZI BALITA. Seminar Nasional Teknologi Informasi Dan Multimedia, Hal. 19-24.
Haryati, D. F., Abdillah, G., & Hadiana, A. I. (2016). KLASIFIKASI JENIS BATUBARA MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION. Seminar Nasional Teknologi Informasi Dan Komunikasi, Hal. 557-562.
Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining (Theresia Ari Prabawati, ed.). Retrieved from https://books.google.co.id/books?id=-Ojclag73O8C&printsec=frontcover&hl=id&source=gbs_ge_summary_r&cad=0#v=onepage&q&f=false
Müller, A. C., & Guido, S. (2017). Introduction to Machine Learning with Python (Dawn Schanafelt, ed.). Sebastopol: O’Reilly Media.
Nugraha, S. D., Putri, R. R. M., & Wihandika, R. C. (2017). Penerapan Fuzzy K-Nearest Neighbor (FK-NN) Dalam Menentukan Status Gizi Balita. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, Vol.1(No. 9), Hal. 925-932.
Pramitarini, Y., Purnama, I. K. E., & Purnomo, M. H. (2013). ANALISA REKAM MEDIS UNTUK MENENTUKAN STATUS GIZI ANAK BALITA MENGGUNAKAN NAIVE BAYES CLASSIFIER. Prosiding Seminar Nasional Manajemen Teknologi XVII, Hal. 1-8.
Putri, R. E., Suparti, & Rahmawati, R. (2014). PERBANDINGAN METODE KLASIFIKASI NAÏVE BAYES DAN K-NEAREST NEIGHBOR PADA ANALISIS DATA STATUS KERJA DI KABUPATEN DEMAK TAHUN 2012. JURNAL GAUSSIAN, Vol. 3(No. 4), Hal. 831-838. Retrieved from http://ejournal-s1.undip.ac.id/index.php/gaussian
Saleh, H., Faisal, M., & Musa, R. I. (2019). KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN METODE K-NEAREST NEIGHBOR. JURNAL SISTEM INFORMASI DAN TEKNIK KOMPUTER, Vol. 4(No. 2), Hal. 120-126.
Santosa, B., & Umam, A. (2018). Data Mining dan Big Data Analytics (Edisi 2; Isa, ed.). Yogyakarta: Penebar Media Pustaka.
Sartika, D., & Sensuse, D. I. (2017). Perbandingan Algoritma Klasifikasi Naive Bayes , Nearest Neighbour , dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian. Jatisi, Vol. 1(No. 2), Hal. 151-161.
Setiawan, E. (2012). Kamus Besar Bahasa Indonesia (KBBI). Retrieved November 28, 2019, from https://kbbi.web.id/banding website: https://kbbi.web.id/banding
Sihombing, E. S., Honggowibowo, A. S., & Nugraheny, D. (2012). IMPLEMENTASI DATA MINING MENGGUNAKAN METODE APRIORI PADA TRANSAKSI PENJUALAN BARANG (STUDI KASUS DI CHORUS MINIMARKET). Compiler, Volume 1(Nomor 1).
Suyanto. (2017). DATA MINING UNTUK KLASIFIKASI DAN KLASTERISASI DATA. Bandung: Informatika Bandung.
Zubair, A., & Muksin, M. (2018). PENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI STATUS GIZI (STUDI KASUS DI KLINIK BROMO MALANG). Seminar Nasional Sistem Informasi, Hal. 1204-1208.
