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

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