Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia
Application of K-Nearest Neighbor Algorithm Using Wrapper as Preprocessing for Determination of Human Weight Information
DOI:
https://doi.org/10.57152/malcom.v4i1.1085Keywords:
Berat Badan, BMI, Forward Selection, K-NN, Numerik, Tinggi Badan, WrapperAbstract
Penelitian ini fokus pada peningkatan akurasi penentuan keterangan berat badan manusia melalui penerapan Algoritma K-Nearest Neighbor (K-NN) dengan metode Wrapper sebagai preprocessing. Kesadaran akan berat badan menjadi esensial dalam menjaga kesehatan dan kesejahteraan. Meskipun manusia dapat mengetahui berat badannya, pendekatan yang sering digunakan cenderung bersifat subjektif dan kurang presisi. Penelitian mengidentifikasi permasalahan dalam penentuan keterangan berat badan dan mencari solusi melalui penggunaan model prediksi. Algoritma K-NN terpilih karena kemampuannya dalam menangani permasalahan klasifikasi dengan dataset yang kompleks. Metode Wrapper digunakan sebagai langkah preprocessing untuk memilih subset fitur yang paling signifikan. Dataset melibatkan parameter berat badan dan faktor-faktor lain yang berpengaruh. Model dikembangkan dan diuji menggunakan teknik cross-validation untuk memastikan konsistensi kinerja. Temuan penelitian menunjukkan bahwa penerapan Algoritma K-NN dengan Wrapper preprocessing dapat meningkatkan akurasi penentuan keterangan berat badan manusia. Penerapan metode K-Nearest Neighbor dan K-Nearest Neighbor dengan Wrapper sebagai tahap preprocessing dalam menentukan keterangan berat manusia mendapatkan hasil nilai akurasi yang sama yaitu sebesar 91%. Studi ini diharapkan dapat menjadi landasan untuk pengembangan metode evaluasi yang lebih baik dan informasi yang lebih akurat terkait berat badan manusia.
References
Brian Ikhsana, M. A. Riyadi, and S. Sudjadi, “Perancangan alat pengukur berat badan dan tinggi badan digital untuk mengetahui body mass index (BMI) pada lansia,” Transient J. Ilm. Tek. Elektro, vol. 4, no. 2, pp. 244–252, 2015.
R. B. Wicaksana, B. Hidayat, and S. Aulia, “Citra Telapak Kaki Dengan Metode Gabor Wavelet Dan K-NN Berbasis Android Classification Height and Weight of Human Footprint Using Gabor,” e-proceeding Eng., vol. 3, no. 2, pp. 1695–1701, 2016.
D. M. K. N. K-nn, T. Annuqayah, and G. Sumenep, “CLASSIFICATION OF THE HUMAN BODY MASS INDEX OR THE,” pp. 1–7.
A. M. Argina, “Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes,” Indones. J. Data Sci., vol. 1, no. 2, pp. 29–33, 2020, doi: 10.33096/ijodas.v1i2.11.
F. Yunita, “Sistem Klasifikasi Penyakit Diabetes Mellitus Menggunakan Metode K-Nearest Neighbor ( K-Nn ),” Bappeda, vol. 2, no. 1, pp. 223–230, 2016.
P. Cunningham and S. J. Delany, “K-Nearest Neighbour Classifiers-A Tutorial,” ACM Comput. Surv., vol. 54, no. 6, 2021, doi: 10.1145/3459665.
Y. B. Wah, N. Ibrahim, H. A. Hamid, S. Abdul-Rahman, and S. Fong, “Feature selection methods: Case of filter and wrapper approaches for maximising classification accuracy,” Pertanika J. Sci. Technol., vol. 26, no. 1, pp. 329–340, 2018.
J. Leng, C. Valli, and L. Armstrong, “A Wrapper-Based Feature Selection for Analysis of Large Data Sets,” Proc. 2010 3rd Int. Conf. Comput. Electr. Eng. (ICCEE 2010), no. 2010, pp. 167–170, 2010.
N. M. Hewahi and E. A. Alashqar, “Wrapper feature selection based on genetic algorithm for recognizing objects from satellite imagery,” J. Inf. Technol. Res., vol. 8, no. 3, pp. 1–20, 2015, doi: 10.4018/JITR.2015070101.
Y. B. Özçelik and A. Altan, “Overcoming Nonlinear Dynamics in Diabetic Retinopathy Classification: A Robust AI-Based Model with Chaotic Swarm Intelligence Optimization and Recurrent Long Short-Term Memory,” Fractal Fract., vol. 7, no. 8, 2023, doi: 10.3390/fractalfract7080598.
G. M. Bellino, L. Schiaffino, M. Battisti, J. Guerrero, and A. Rosado-Muñoz, “Optimization of the K-NN supervised classification algorithm as a support tool for the implantation of deep brain stimulators in patients with Parkinson’S Disease,” Entropy, vol. 21, no. 4, pp. 1–14, 2019, doi: 10.3390/e21040346.
Ö. S. Sönmez, M. Da?tekin, and T. Ensari, “Gene expression data classification using genetic algorithm-based feature selection,” Turkish J. Electr. Eng. Comput. Sci., vol. 29, no. 7, pp. 3165–3179, 2021, doi: 10.3906/ELK-2102-110.
M. E. N. Inayah, K. B. Sirait, N. Casie, and ..., “… Produksi Telur di Provinsi Jawa Barat dengan Menggunakan Algoritma K-Means: Grouping of Egg Production in West Java Province Using the K-Means Algorithm,” … Nas. Penelit. dan …, pp. 207–214, 2022, [Online]. Available: https://journal.irpi.or.id/index.php/sentimas/article/view/349%0Ahttps://journal.irpi.or.id/index.php/sentimas/article/download/349/152
D. Efriadi, R. Rahmaddeni, A. Agustin, and J. Junadhi, “Prediksi Penambahan Piutang Iuran Jaminan Sosial Ketenagakerjaan menggunakan Algoritma K-Nearest Neighbor,” Edumatic J. Pendidik. Inform., vol. 6, no. 1, pp. 49–57, 2022, doi: 10.29408/edumatic.v6i1.5255.
S. J. P. Syarifah, Q. Attaqwa, and A. Pratama, “… Karyawan Menggunakan Algoritma C4. 5 dan K-nearest Neighbor: Classification Determining Employee Data Work Schedules Using C4. 5 and K-Nearest Neighbor …,” … Nas. Penelit. dan …, pp. 215–221, 2022, [Online]. Available: https://journal.irpi.or.id/index.php/sentimas/article/view/327%0Ahttps://journal.irpi.or.id/index.php/sentimas/article/download/327/156
S. Cumel, David Zamri, Rahmaddeni, “Perbandingan Metode Data Mining untuk Prediksi Banjir Dengan Algoritma Naïve Bayes dan K-NN,” SENTIMAS Semin. Nas. Penelit. dan …, pp. 40–48, 2022, [Online]. Available: https://journal.irpi.or.id/index.php/sentimas/article/view/353%0Ahttps://journal.irpi.or.id/index.php/sentimas/article/download/353/132
D. ARIYOGA, “Perbandingan Metode Seleksi Fitur Filter, Wrapper, Dan Embedded Pada Klasifikasi Data Nirs Mangga Menggunakan Random Forest Dan Support Vector Machine …,” 2022, [Online]. Available: https://dspace.uii.ac.id/handle/123456789/38955
C. C. Aggarwal, “Educational and software resources for data classification,” Data Classif. Algorithms Appl., pp. 657–665, 2014, doi: 10.1201/b17320.
A. Rahmansyah, O. Dewi, P. Andini, T. Hastuti, P. Ningrum, and M. E. Suryana, “Membandingkan Pengaruh Feature Selection Terhadap Algoritma Naïve Bayes dan Support Vector Machine,” Semin. Nas. Apl. Teknol. Inf., pp. 1907–5022, 2018.
P. Putra, A. M. H. Pardede, and S. Syahputra, “Analisis Metode K-Nearest Neighbour (K-NN) Dalam Klasifikasi Data Iris Bunga,” J. Tek. Inform. Kaputama, vol. 6, no. 1, pp. 297–305, 2022.
A. Saputra, R. P. Hasibuan, Renaldi, and Rahmaddeni, “Perbandingan Tingkat Kadar Minuman Beralkohol di Dunia Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbor,” SENTIMAS Semin. Nas. Penelit. dan Pengabdi. Masy., pp. 127–132, 2022, [Online]. Available: https://journal.irpi.or.id/index.php/sentimas/article/view/314%0Ahttps://journal.irpi.or.id/index.php/sentimas/article/download/314/143
A. Putri, C. Syaficha Hardiana, E. Novfuja, F. Try Puspa Siregar, Y. Fatma, and R. Wahyuni, “Comparison of K-NN, Naive Bayes and SVM Algorithms for Final-Year Student Graduation Prediction Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” Inst. Ris. dan Publ. Indones. MALCOM Indones. J. Mach. Learn. Comput. Sci. J. Homepage, vol. 3, no. 1, pp. 20–26, 2023.
R. Wahyudi, M. Orisa, and N. Vendyansyah, “Penerapan Algoritma K-Nearest Neighbors Pada Klasifikasi Penentuan Gizi Balita (Studi Kasus Di Posyandu Desa Bluto),” JATI (Jurnal Mhs. Tek. Inform., vol. 5, no. 2, pp. 750–757, 2021, doi: 10.36040/jati.v5i2.3738.
F. Tangguh Admojo and Ahsanawati, “Indonesian Journal of Data and Science Klasifikasi Aroma Alkohol Menggunakan Metode K-NN,” Indones. J. Data an Sci., vol. 1, no. 2, pp. 34–38, 2020.
Hartati, “Studi literatur: problematika evaluasi pembelajaran dalam mencapai tujuan pendidikan di era merdeka belajar,” Konf. Ilm. Pendidik. Univ. Pekalongan 2020, pp. 10–15, 2020, [Online]. Available: https://proceeding.unikal.ac.id/index.php/kip
