Perbandingan Teknik Klasifikasi Catatan Medis untuk Indeks Antropometri Status Gizi Balita

Menilai status gizi balita sangat penting untuk mengawasi perkembangan gizi balita. Penelitian ini mencoba membandingkan dua cara untuk mengklasifikasikan status gizi balita, yaitu dengan menggunakan metode K-Nearest Neighbors (K-NN) dan Support Vector Machine (SVM) berdasarkan Indeks Antropometri. Penelitian ini dilakukan untuk mengetahui teknik mana yang paling baik untuk mengelompokkan balita dalam dataset gizi balita. Data yang digunakan untuk proses ini mencakup informasi seperti jenis kelamin, usia, berat badan, tinggi badan, dan indeks massa tubuh. Kami juga menghitung status gizi balita berdasarkan indeks antropometri, berat badan untuk usia (WFA), tinggi badan untuk usia (HFA), berat badan untuk tinggi badan (WFH), dan indeks massa tubuh untuk usia (BMIFA). Dalam mengukur seberapa baik teknik ini bekerja, kami menggunakan 827 data balita sebagai data latihan dan 207 data balita sebagai data uji. Hasilnya menunjukkan bahwa model K-Nearest Neighbors (K-NN) memiliki akurasi sekitar 93,01%, sementara model SVM memiliki akurasi sekitar 91,8%. Ini berarti model K-NN sedikit lebih baik daripada model SVM dalam mengklasifikasikan status gizi balita berdasarkan indeks antropometri.