Penerapan Algoritma Metaheuristik untuk Optimasi Nilai K Pada K-NN dalam Pengelompokan Faktor Penyebab Stunting

Mhd Adi Setiawan Aritonang; Maya  Ardilla Siregar; Sasa  Ani Arnomo; Fidya  Farasalsabila

doi:10.55382/jurnalpustakaai.v5i3.1367

Penulis

Mhd Adi Setiawan Aritonang Institut Teknologi Batam
Maya Ardilla Siregar Universitas Tadulako
Sasa Ani Arnomo Institut Teknologi Batam
Fidya Farasalsabila Institut Teknologi Batam

DOI:

https://doi.org/10.55382/jurnalpustakaai.v5i3.1367

Kata Kunci:

k-nearest neighbor,genetics, PSO, stunting, classification

Abstrak

Stunting is a health issue that has a negative impact on people's quality of life and the development of a bangsa. Finding the cause of stunting accurately is a crucial step in developing effective mitigation strategies. K-Nearest Neighbor (K-NN) is one machine learning algorithm that is frequently used for classification and data analysis, but its performance is greatly impacted by the choice of an ideal K parameter. This study highlights the use of metaheuristic algorithms, such as genetic algorithms (GA) and particle swarm optimization (PSO), to optimize K in K-NN in order to identify the stunting factor. This method uses the kekuatan eksplorasi and eksploitasi algoritma metaheuristik to determine parameter K that yields optimal accuracy. Based on the results of the metaheuristic algorithm, it is concluded that without optimization, K-NN only achieves an accuracy of roughly 63%, highlighting the importance of choosing a suitable K value. When GA is used in K-NN optimization, the accuracy increases significantly, reaching 73%, indicating its ability to effectively explore the solution space. On the other hand, PSO also increases accuracy to 74%. It is hoped that the results of this study will provide significant contributions to the development of a more reliable model for analyzing the factors that contribute to stunting, thereby enhancing the use of data-based decision-making in attempts to address the stunting problem holistically.

Unduhan

Data unduhan belum tersedia.

Referensi

SME Sharifnia et al. , “Kerangka kerja pendukung keputusan untuk alokasi pengasuh kesehatan rumah menggunakan pengelompokan spektral yang disetel secara optimal dan algoritma genetik,” Healthc. Anal. , vol. 5, hal. 100339, 2024.

N. Hasdyna, RK Dinata, Rahmi, dan TI Fajri, “Hybrid Machine Learning untuk Prevalensi Stunting: Pendekatan Komprehensif Baru untuk Klasifikasi, Prediksi, dan Optimasi Pengelompokan di Aceh, Indonesia,” dalam Informatika , MDPI, 2024, hlm. 89.

ON Chilyabanyama et al. , “Kinerja pengklasifikasi pembelajaran mesin dalam mengklasifikasikan stunting di antara anak balita di Zambia,” Anak-anak , vol. 9, no. 7, hal. 1082, 2022.

R. Kusumaningrum, TA Indihatmoko, SR Juwita, AF Hanifah, K. Khadijah, dan B. Surarso, “Benchmarking algoritma multikelas untuk klasifikasi dokumen terkait stunting,” Jurnal Sains Terapan , vol. 10, no. 23, hal. 8621, 2020.

H. Shen, H. Zhao, dan Y. Jiang, “Algoritma pembelajaran mesin untuk memprediksi stunting di antara anak balita di Papua Nugini,” Anak-anak , vol. 10, no. 10, hal. 1638, 2023.

C. Fannany, PH Gunawan, dan N. Aquarini, “Analisis Klasifikasi Pembelajaran Mesin untuk Pencegahan Proaktif Stunting Anak di Bojongsoang: Sebuah Studi Komparatif,” dalam Konferensi Internasional 2024 tentang Ilmu Data dan Aplikasinya (ICoDSA) , IEEE, 2024, hlm. 1–5.

A. Al Jawaldeh et al. , “Menangani stunting pada anak di Kawasan Mediterania Timur dalam konteks COVID-19,” Anak-anak , vol. 7, no. 11, hal. 239, 2020.

R. Hidayat, A. Bejo, S. Sumaryono, dan A. Winursito, “Denoising speech untuk ekstraksi fitur MFCC menggunakan transformasi wavelet pada sistem pengenalan suara,” Proc. 2018 10th Int. Conf. Inf. Technol. Electr. Eng. Smart Technol. Better Soc. ICITEE 2018 , hlm. 280–284, 2018, doi: 10.1109/ICITEED.2018.8534807.

Pratibha, A. Gahalot, Uprant, S. Dhiman, dan L. Chouhan, “Prediksi dan analisis kejahatan,” Data Konferensi Int. ke-2, Teknik. Terapan. IDEA 2020 , 2020, doi: 10.1109/IDEA49133.2020.9170731.

M. Arfah, F. Fachrizal, dan O. Nugroho, “PENGEMBANGAN MODEL ATURAN ASOSIASI DENGAN PEMBELAJARAN MESIN DALAM MENENTUKAN KEBIASAAN PENGGUNA DI MEDIA SOSIAL.,” Eastern-European J. Enterp. Technol. , no. 2, 2024.

A. Rahmatika, O. Nugroho, dan TA AnuR, “MENGGUNAKAN PEMBELAJARAN RELASIONAL DALAM MENJELAJAHI EFEKTIVITAS PENGGUNAAN HASHTAG DALAM TOPIK MASA DEPAN DAN HUBUNGAN PENGGUNA DI X.,” Eastern-European J. Enterp. Technol. , no. 2, 2024

B. Trstenjak, S. Mikac, dan D. Donko, “KNN dengan kerangka kerja berbasis TF-IDF untuk kategorisasi teks,” Procedia Eng. , jilid. 69, tidak. November 2013, hlm. 1356–1364, 2014, doi: 10.1016/j.proeng.2014.03.129.

AR Lubis, S. Prayudani, Al-Khowarizmi, YY Lase, dan Y. Fatmi, “Jarak Euclidean yang Dinormalisasi Kesamaan pada Metode KNN untuk Mengklasifikasikan Citra Kanker Kulit,” dalam Seminar Internasional ke-4 tentang Penelitian Teknologi Informasi dan Sistem Cerdas (ISRITI) 2021, 2021, hlm. doi: 10.1109/ISRITI54043.2021.9702826.

H. Janawisuta dan PH Gunawan, “Deteksi Dini Stunting pada Balita Indonesia: Pendekatan Pembelajaran Mesin,” dalam Konferensi Internasional Ilmu Data dan Aplikasinya (ICoDSA) 2024 , IEEE, 2024, hlm. 12–16.

L. Atamou, DC Rahmadiyah, H. Hassan, dan A. Setiawan, “Analisis determinan stunting pada anak usia di bawah lima tahun di desa lokasi stunting di Indonesia,” dalam Healthcare , MDPI, 2023, hal. 810.

DI Yani, L. Rahayuwati, CWM Sari, M. Komariah, dan SR Fauziah, “Karakteristik rumah tangga keluarga dan stunting: tinjauan pelingkupan terkini,” Nutrisi , vol. 15, tidak. 1, hal. 233, 2023.