Contoh Kasus Penerapan Algoritma KNN Pendahuluan Dalam penilaian

Contoh Kasus Penerapan Algoritma KNN

Pendahuluan Dalam penilaian status gizi harus ada ukuran baku. Baku antropometri yang digunakan antara lain baku rujukan WHO-NCHS yang dipublikasikan oleh WHO sebagai pembanding dan penilaian status gizi. Untuk klasifikasi status gizi berdasarkan baku antropometri perlu adanya batasan-batasan tertentu. Salah satu cara penyajian indeks antropometri adalah penggunaan Z –score, karena dengan Z –score hasil status gizi yang diluar batas masih dapat dideteksi, hasil perhitungan telah dibakukan menurut simpangan baku sehingga dapat dibandingkan untuk setiap kelompok umur dan indeks antropometri. ZSkor dapat dihitung dengan menggunakan rumus :

Menurut Keputusan Mentri Kesehatan RI untuk menilai status gizi pada balita berdasarkan kategori Z-Skore dibagi menjadi tiga indeks yaitu Berat Badan menurut Umur (BB/U), Tinggi Badan / Umur (TB/U)

• Tabel 4. Kategori status gizi balita (Menkes No. 920/SK/VIII/2002)

Contoh: Kasus Seorang anak laki-laki berumur 11 bulan dengan berat badan 15 kg. Distribusi simpang baku : Untuk kasus bayi 11 bulan, berat badannya (5 kg) lebih kecildaripada nilai median (9, 4), maka dari itu nilai simpang baku rujukannya menjadi 9, 4 -8, 4 = 1. Sehingga perhitungan z-score : Karena nilai z-skor sudah mencapai -4, 4 berarti status gizinya tergolong buruk.

Contoh Penggunaan Metode K-Means Suatu lembaga yang bergerak di bidang kesehatan akan menentukan kelompok status gizi pada balita. Ada lima kriteria yang digunakan untuk melakukan penilaian yaitu : umur, berat badan, tinggi badan, lingkar lengan atas dan lingkar kepala. • Ada sepuluh orang balita yang menjadi alternatif, yaitu: A 1 = Afuzacharyan A 2 = Alesa Maida S. F A 3 = Fuad Nuur R. D A 4 = Zefta A 5 = Eloise Auryn A 6 = Fahri A 7 = Nana Ardiana A 8 = Jovanka A A 9 = Reihan A 10 = Jatmiko

1. Menentukan Jumlah Kelompok / Cluster • Tabel. Simbol kelompok / Cluster

2. Alokasikan data ke dalam kelompok secara acak. • Tabel. Alokasikan data ke dalam kelompok secara acak

3. Contoh perhitungan penentuan pusat awal cluster. Pusat awal cluster ditentukan dari salah satu alternatif pada tiap-tiap kelompok. Tabel. Perhitungan penentuan pusat awal cluster

4. Contoh perhitungan jarak pusat cluster Untuk mengukur jarak antara data dengan pusat cluster digunakan Euclidian distance, kemudian akan didapatkan matriks jarak sebagai berikut : Rumus Euclidian distance : D : jarak antara data x 2 dan x 1 |. | : nilai mutlak : parameter Minkowasky P : dimensi data x 1: datake 1 x 2 : data ke 2

• Sebagai contoh, perhitunganjarak data ke-1 terhadap pusat cluster :

Dan seterusnya dilanjutkan untuk data ke 2, . . N kemudian akan didapatkan matriks jarak sebagai berikut :

• Iterasi 1 Tabel 8. Jarak Pusat Cluster

5. Contoh alokasi masing-masing data ke centroid terdekat • Jarak hasil perhitungan akan dilakukan perbandingan dipilih jarak terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat cluster terdekat. Berikut ini akan ditampilkan data matriks pengelompokkan group.

• Tabel. Pengelompokkan data • Berdasarkan data perhitungan, didapat : Data A 7 mengalami gizi buruk Data A 3, A 5, A 8, A 9, A 10 mengalami gizi kurang Data A 1 mengalami gizi baik Data A 2, A 4, A 6 mengalami gizi lebih

6. Contoh penentuan pusat cluster baru Setelah diketahui anggota tiap-tiap cluster kemudian pusat cluster baru dihitung berdasarkan data anggota tiap-tiap cluster sesuai dengan rumus pusat anggota cluster sebagai berikut : Lakukan hal yang sama pada C 1, C 2, C 3, dan C 4. Nilai cluster yang baru adalah :

• Tabel 10. Cluster untuk iterasi ke-2 Iterasi ke-2 Ulangi langkah ke 2 (kedua) hingga posisi data tidak mengalami perubahan.

• Dan seterusnya dilanjutkan untuk data ke 2, . . N kemudian akan didapatkan tabel jarak sebagai berikut : Tabel. Jarak Pusat Cluster

Tabel. Pengelompokkan data • Berdasarkan data perhitungan, didapat : Data A 7 mengalami gizi buruk Data A 3, A 5, A 8, A 9, A 10 mengalami gizi kurang Data A 1 mengalami gizi baik Data A 2, A 4, A 6 mengalami gizi lebih Iterasi akan terus dilakukan hingga tidak ada perpindahan tempat cluster.