Penerapan Algoritma K-Nearest Neighbors (K-NN) untuk Prediksi Status Gizi Balita dengan Penyeimbangan Kelas Menggunakan SMOTE, SMOTEENN, dan SMOTETomek

Abstract

Ketidakseimbangan data (imbalanced data) merupakan salah satu permasalahan utama dalam machine learning yang dapat menyebabkan bias terhadap kelas mayoritas, sehingga mengurangi akurasi prediksi pada kelas minoritas. Penelitian ini bertujuan untuk mengatasi ketidakseimbangan data dalam prediksi status gizi balita dengan menggunakan algoritma K-Nearest Neighbors (K-NN) dan teknik 7986penyeimbangan kelas, yaitu SMOTE, SMOTEENN, dan SMOTETomek. Dataset yang digunakan merupakan data status gizi balita dari Puskesmas Legok, yang terdiri atas 3.555 data dengan parameter usia, berat badan, tinggi badan, dan status gizi. Proses penelitian meliputi tahapan pengumpulan data, preprocessing, penerapan teknik penyeimbangan kelas, serta evaluasi kinerja model menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa teknik SMOTE, SMOTEENN, dan SMOTETomek berhasil meningkatkan kinerja model secara signifikan. Teknik SMOTEENN dan SMOTETomek memberikan akurasi tertinggi sebesar 99%, dengan distribusi prediksi yang lebih seimbang pada setiap kelas. Hal ini membuktikan bahwa penerapan teknik penyeimbangan kelas mampu mengatasi bias terhadap kelas mayoritas dan meningkatkan kemampuan model dalam memprediksi kelas minoritas. Penelitian ini menunjukkan bahwa kombinasi algoritma K-NN dan teknik penyeimbangan kelas dapat menjadi solusi efektif dalam menangani ketidakseimbangan data. Implementasi hasil penelitian ini diharapkan dapat membantu dalam proses pengambilan keputusan yang lebih baik dalam pemantauan status gizi balita.