Rendik, Mochammad (2026) Klasifikasi risiko stunting pada anak usia dini menggunakan metode k-nearest neighbor (studi kasus: desa watuprapat). Undergraduate (S1) thesis, Universitas Merdeka Pasuruan.
|
Text
COVER.pdf Download (564kB) |
|
|
Text
BAB I.pdf Restricted to Registered users only Download (232kB) |
|
|
Text
BAB II.pdf Restricted to Registered users only Download (313kB) |
|
|
Text
BAB III.pdf Restricted to Registered users only Download (275kB) |
|
|
Text
BAB IV.pdf Restricted to Registered users only Download (460kB) |
|
|
Text
BAB V.pdf Restricted to Registered users only Download (152kB) |
|
|
Text
DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (181kB) |
|
|
Text
LAMPIRAN.pdf Restricted to Registered users only Download (699kB) |
Abstract
Stunting merupakan masalah kurang gizi kronis pada anak usia dini yang dapat mengganggu pertumbuhan fisik dan perkembangan otak mereka di masa depan. Di Desa Watuprapat, kegiatan pemantauan kesehatan balita melalui posyandu telah rutin dilaksanakan, tetapi proses pencatatan datanya masih manual menggunakan buku register. Kondisi ini menyebabkan tumpukan data kurang dimanfaatkan secara optimal, sebagai solusi dari permasalahan tersebut, penelitian ini bertujuan menerapkan teknologi kecerdasan buatan berupa algoritma K-Nearest Neighbor (KNN) agar proses klasifikasi risiko stunting dapat dilakukan secara otomatis, cepat, dan akurat. Proses pengumpulan data dilakukan secara langsung melalui kegiatan observasi di posyandu hingga terkumpul sebanyak 120 data. Data tersebut memuat 10 variabel prediktor yang mencakup dimensi fisik, riwayat kelahiran, dan juga latar belakang keluarga, beserta satu target hasil klasifikasi status gizi. Sebelum diproses, data dirapikan terlebih dahulu melalui tahapan pembersihan, pengubahan format, penyesuaian skala, serta pembagian menjadi data latih dan data uji. Algoritma KNN kemudian bekerja menghitung tingkat kemiripan antar-data menggunakan Euclidean Distance dengan menguji beberapa pilihan jumlah tetangga. Kinerja sistem ini dievaluasi secara menyeluruh menggunakan Confusion Matrix. Hasil pengujian membuktikan bahwa model KNN bekerja paling optimal pada jumlah tetangga K=3 dengan pencapaian tingkat akurasi keseluruhan sebesar 95,83%, presisi 96%, recall 96%, dan F1-score 96%. metode KNN ini terbukti sangat efektif mendeteksi stunting karena sistem tersebut mampu mengenali dengan tepat 100% seluruh kasus balita berisiko Stunting.
| Item Type: | Thesis (Undergraduate (S1)) |
|---|---|
| Uncontrolled Keywords: | Stunting, Klasifikasi, K-Nearest Neighbor, Data Mining |
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Fakultas Teknologi Informasi > Informatika |
| Depositing User: | Perpustakaan Unmer Pasuruan |
| Date Deposited: | 11 Nov 2026 02:19 |
| Last Modified: | 11 Nov 2026 02:19 |
| URI: | http://repository.unmerpas.ac.id/id/eprint/1061 |
Actions (login required)
![]() |
View Item |

