Publisher

POLIBANPOLIBAN

Journal POSITIF : Jurnal Sistem dan Teknologi InformasiPOSITIF : Jurnal Sistem dan Teknologi Informasi Abstract

Penilaian status gizi pasien dewasa penting untuk memahami kondisi gizi secara menyeluruh dan membantu tenaga kesehatan merencanakan perawatan yang sesuai. Namun, proses penilaian manual memerlukan waktu dan tenaga besar, terutama saat jumlah pasien tidak sebanding dengan jumlah tenaga kesehatan. Hal ini dapat menghambat pemberian perawatan gizi yang cepat dan tepat. Algoritma K-Nearest Neighbor (KNN) merupakan metode yang sering digunakan dalam klasifikasi status gizi, terutama pada balita, ibu hamil, atau klasifikasi obesitas pada orang dewasa. Penggunaan KNN untuk deteksi dini status gizi pasien dewasa masih jarang dibahas. Penelitian ini menerapkan algoritma KNN untuk mengklasifikasikan status gizi pasien dewasa menggunakan data dari ruang Alamanda 1 dan ruang ICU RSUD Sleman, yang dikumpulkan dari 2 Januari hingga 18 Oktober 2023. Dataset mencakup tinggi badan, berat badan, dan status gizi pasien. Implementasi dilakukan menggunakan RapidMiner dengan nilai k ganjil kurang dari 20, serta pembagian data pelatihan dan pengujian dalam rasio 90:10, 70:30, dan 50:50. Hasil menunjukkan bahwa nilai k optimal untuk akurasi tertinggi adalah k = 1 dan k = 3 pada rasio data 70:30, dengan akurasi sebesar 96,77%. Sensitivitas tertinggi sebesar 97,61% juga dicapai pada k = 3 dengan rasio 70:30. Algoritma KNN menunjukkan potensi tinggi untuk dikembangkan menjadi sistem deteksi dini status gizi pasien dewasa di rumah sakit, guna mendukung pelayanan gizi yang lebih cepat dan akurat.

Conclusion

Algoritma K-Nearest Neighbors (KNN) dapat digunakan untuk klasifikasi status gizi pasien dewasa dengan memanfaatkan data antropometri tinggi badan dan berat badan.Nilai k yang optimal untuk mendapatkan akurasi klasifikasi tertinggi adalah k=3 dengan split data 70.Algoritma KNN dengan nilai k optimal dapat digunakan untuk mengklasifikasi status gizi pasien dewasa secara akurat dan dapat dikembangkan menjadi sistem deteksi dini status gizi pasien di rumah sakit.

Future Research

Penelitian ini memberikan dasar yang baik, tetapi ada beberapa arah pengembangan menarik untuk masa depan. Pertama, bagaimana jika kita meneliti pengaruh penambahan jumlah data yang jauh lebih besar, misalnya dari beberapa rumah sakit selama beberapa tahun, terhadap kehandalan model KNN? Kedua, karena penelitian ini hanya menggunakan KNN, ada pertanyaan menarik apakah algoritma lain seperti Random Forest atau Naïve Bayes bisa memberikan hasil yang lebih akurat untuk kasus yang sama. Ketiga, model ini hanya menggunakan tinggi dan berat badan. Bisakah penambahan data lain yang lebih klinis, seperti ukuran lingkar lengan atau hasil tes darah, meningkatkan kemampuan mesin untuk mendeteksi status gizi? Menjawab ketiga pertanyaan ini akan membantu menciptakan sistem deteksi dini yang lebih kuat, akurat, dan komprehensif untuk kesehatan pasien di rumah sakit.

References

1. Expert System to Identify Risk Factors of Toddler’s Nutrition Status with Case Based Reasoning... doi.org/10.22219/jpa.v3i1.11810Expert System to Identify Risk Factors of ToddlerAos Nutrition Status with Case Based Reasoning doi 10 22219 jpa v3i1 11810
2. KOMPARASI METODE SUPPORT VECTOR MACHINE (SVM), K-NEAREST NEIGHBORS (KNN), DAN RANDOM FOREST (RF) UNTUK... doi.org/10.26740/mathunesa.v10n2.p258-268KOMPARASI METODE SUPPORT VECTOR MACHINE SVM K NEAREST NEIGHBORS KNN DAN RANDOM FOREST RF UNTUK doi 10 26740 mathunesa v10n2 p258 268
3. PREDIKSI HARGA SAHAM PT BANK CENTRAL ASIA TBK BERDASARKAN DATA DARI BURSA EFEK INDONESIA MENGGUNAKAN... jurnal.unai.edu/index.php/teika/article/view/2609PREDIKSI HARGA SAHAM PT BANK CENTRAL ASIA TBK BERDASARKAN DATA DARI BURSA EFEK INDONESIA MENGGUNAKAN jurnal unai edu index php teika article view 2609

Metadata

File size	278.05 KB
Pages	8
DMCA	Report