SKRIPSI DIGITAL
Implementasi Algoritma K-NN Untuk Klasifikasi Stunting Pada Anak Usia Balita = Implementation Of The K-NN Algorithm For Classification Of Stunting In Toddlers
Stunting tetap menjadi masalah kesehatan masyarakat yang serius di negara-negara
berkembang, termasuk Indonesia, di mana prevalensinya pada anak di bawah lima
tahun menyebabkan masalah kesehatan dan perkembangan jangka panjang. Sistem
pemantauan saat ini sering menghadapi tantangan dalam hal akurasi, ketepatan
waktu, dan skalabilitas, yang membatasi efektivitasnya untuk intervensi dini. Studi
ini mengusulkan model klasifikasi stunting canggih menggunakan algoritma K
Nearest Neighbor (K-NN), dibandingkan dengan Random Forest (RF), XGBoost,
Decision Tree (DT), dan Support Vector Machine (SVM). Data antropometri
primer—jenis kelamin, usia dalam bulan, berat badan, tinggi badan, dan HAZ/TB
for-age—diperoleh dari Kantor Kesehatan Kota Semarang (6.668 catatan),
diprseses, dan diseimbangkan menggunakan Teknik Over-sampling Minoritas
Sintetis (SMOTE). Evaluasi kinerja menggunakan akurasi, presisi, recall, dan F1
score. Hasil eksperimen menunjukkan bahwa K-NN mencapai kinerja tertinggi,
dengan akurasi 98,69%, presisi 98,69%, recall 98,69%, dan F1-score 98,68%,
mengungguli RF (98,46%), DT (98,47%), XGBoost (97,12%), dan SVM (96,96%).
Integrasi K-NN ke dalam sistem Digital Posyandu berbasis web menunjukkan
potensinya untuk meningkatkan keandalan, efisiensi, dan aksesibilitas deteksi
stunting, mendukung inisiatif pemerintah untuk intervensi dini.
Tidak tersedia versi lain
Karya Umum 
Filsafat 
Agama 
Ilmu-ilmu Sosial 
Bahasa 
Ilmu-ilmu Murni 
Ilmu-ilmu Terapan 
Kesenian, Hiburan, dan Olahraga 
Kesusastraan 
Geografi dan Sejarah