PENERAPAN METODE FUZZY K-NEAREST NEIGHBOR DALAM KLASIFIKASI RISIKO STUNTING PADA ANAK BERDASARKAN FAKTOR ANTROPOMETRI

Abstract

Abstrak - Stunting merupakan kondisi gagal tumbuh pada anak balita akibat kekurangan gizi kronis yang berdampak pada perkembangan fisik dan kognitif anak. Metode klasifikasi konvensional menghasilkan keputusan tegas (crisp) yang kurang mampu merepresentasikan ketidakpastian pada data pertumbuhan anak yang tumpang tindih antar kategori status gizi. Penelitian ini bertujuan menerapkan metode Fuzzy K-Nearest Neighbor (FKNN) yang mengintegrasikan derajat keanggotaan fuzzy ke dalam mekanisme K-Nearest Neighbor untuk klasifikasi status gizi balita, serta membandingkan performanya dengan KNN konvensional dan Random Forest. Dataset yang digunakan adalah dataset Stunting Toddler (Balita) Detection dari Kaggle, diambil sampel 2.450 data melalui stratified sampling proporsional, menyisakan 2.375 data unik dengan tiga fitur (Usia, Jenis Kelamin, Tinggi Badan) dan empat kelas Status Gizi. Tahapan penelitian meliputi praproses data, pembangunan model, optimasi nilai k menggunakan stratified 10-Fold Cross Validation, serta evaluasi menggunakan confusion matrix dengan metrik precision, recall, F1-Score, dan akurasi macro-average. Hasil pengujian pada 475 data uji menunjukkan FKNN (k=3) mencapai akurasi 91,16%, mengungguli KNN konvensional (89,89%) dan menyamai Random Forest. FKNN mencapai recall tertinggi pada kelas Stunting (83,33%), menunjukkan kemampuan lebih baik dalam mendeteksi kasus stunting sebenarnya. Nilai keanggotaan fuzzy terbukti dapat digunakan sebagai indikator keandalan prediksi pada data borderline.

Kata Kunci: stunting, Fuzzy K-Nearest Neighbor, klasifikasi, derajat keanggotaan, Random Forest