Penerapan Algoritma Klasifikasi KNN Untuk Penyimpangan Tumbuh Kembang Anak Dengan Manhattan Distance

Inayah Azzahrah Syah, Firman Tempola, Saiful Do Abdullah

Abstract


Penyimpangan tumbuh kembang anak adalah keadaan proses pertumbuhan dan perkembangan yang tidak wajar atau terganggu/terhambat, bisa terjadi pada tahap intra uterine, kelahiran dan pasca lahir. Namun sebagian orang tua belum memahami hal ini, terutama orang tua yang mempunyai tingkat pendidikan dan sosial ekonomi yang sangat rendah. Mereka menganggap bahwa selama anak tidak sakit, berarti anak tidak mengalami masalah kesehatan termasuk pertumbuhan dan perkembangan anak tersebut. Berdasarkan permasalah tersebut, penelitian ini dilakukan menggunakan K-Nearest Neighbor untuk mengklasifikasi penyimpangan tumbuh kembang anak. Untuk membantu mengklasifikasi penyimpangan tumbuh kembang anak diperlukan kriteria-kriteria seperti, penimbangan Berat Badan (BB), Tinggi Badan (TB), pengukuran Lingkar Kepala Anak (LKA), Tes Daya Dengar (TDD), Tes Daya Lihat (TDL), dan Perkembangan Anak. Metode K-Nearest Neighbor (K-NN) adalah algoritma yang berfungsi untuk melakukan klasifikasi suatu data berdasarkan data pembelajaran (train data sets), yang diambil dari K tetangga terdekatnya (Nearest Neighors). Dengan K merupakan banyaknya tetangga dekat. Hasil dari penelitian ini menunjukkan bahwa algoritma K-Nearest Neighbor (K-NN) dapat melakukan klasifikasi penyimpangan tumbuh kembang anak dengan baik dengan rata-rata akurasi 85% pada pengujian data latih sebesar 80, data uji 20. Pengujian sistem ini dilakukan menggunakan Blackbox testing sehingga sistem ini dapat menjadi layak dipergunakan

Keywords


Penyimpangan Tumbuh Kembang; Klasifikasi KNN; Manhattan distance

Full Text:

PDF

References


. Tempola F, Muhammad F, dan Khairan A, (2018). “Perbandingan Klasifikasi Antara Knn dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation” Jurnal Teknologi Informasi dan Ilmu Komputer,vol 5. No. 5, pp.577-584.

. Ariestyani, M. C., Adikara, P. P., & Perdana, R. S. (2018). Klasifikasi Penyimpangan Tumbuh Kembang Anak Menggunakan Metode Extreme Learning Machine ( ELM ). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (JPTIIK), 2(4), 1620–1629.

. Tempola F, (2019). “Implemented PSO-NBC and PSO-SVM to Help Determine Status Of Volcanoes”, Jurnal Penelitian Pos dan Informatika, vol 9. No. 2, pp,97-103.

. Ridwan, M., Suyono, H., & Sarosa, M. (2013). Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier, 7(1), 59–64.

. Ndaumanu, R. I., Kusrini, & Arief, M. R. (2014). Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor. Jatisi, 1(1), 1–15.

. A, Nugrho., W Gautama, dan Y. Purwanto, (2015). Analisis Pengaruh Penggunaan Manhattan Distance Pada Algoritma Clustering Isodata ( SelfOrganizing Data Analysis Technique) Untuk Sistem Deteksi Anomali Trafik. E-Proceeding of Engineering, 2(3), 7404–7411.

. Tempola F dan Abdullah S D., (2018). “Komparasi Rule Based Reasoning (RBR) dan Case Based Reasoning Untuk Penentuan Kelayakan Mahasiswa Penerima Beasiswa”. Jurnal Protek, 5(2),pp.63-66




DOI: http://dx.doi.org/10.33857%2Fpatj.v4i1.325

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 3.0 License.

View My Stats

Editorial Office Department of Electrical Engineering :

Jl. Tun Abdul Razak, Paccinongang, Kec. Somba Opu, Kabupaten Gowa, Sulawesi Selatan 90235 | Email : pa.techjournal@gmail.com