Klasifikasi Stunting Menggunakan Metode K – Nearest Neighbors (KNN) (Studi Kasus : Puskesmas Tegalsiwalan Probolinggo)

Stunting adalah masalah gizi kronis pada anak di bawah lima tahun, ditandai dengan tinggi badan menurut usia di bawah standar yang ditetapkan oleh Organisasi Kesehatan Dunia (WHO). Tingginya angka kejadian stunting di Indonesia menjadikan deteksi dini sebagai langkah penting dalam upaya pencegahan dan intervensi. Studi ini bertujuan untuk menganalisis kinerja algoritma K-Nearest Neighbor (KNN) dalam mengklasifikasikan status stunting pada balita berdasarkan data pengukuran antropometri dari Puskesmas Tegalsiwalan, Kabupaten Probolinggo. Dataset terdiri
dari 2.098 catatan dari tahun 2023-2024, dengan atribut termasuk jenis kelamin, usia, berat badan, dan tinggi badan, serta diagnosis sebagai label kelas. Tahapan prapemrosesan meliputi transformasi usia menjadi bulan, pemilihan fitur, pengkodean label, penghapusan data duplikat, dan normalisasi menggunakan Normalisasi MinMax. Pengujian dilakukan pada dua skenario pembagian data, yaitu rasio 80:20 dan 70:30 dengan nilai K masing-masing 3, 5, 7, dan 9. Hasil menunjukkan bahwa model KNN dengan K=3 mencapai kinerja terbaik pada kedua skenario tersebut. Dengan rasio 80:20, model mencapai akurasi 96,06%, presisi 86%, recall 89%, dan F1-score 87%.
Dengan rasio 70:30, hasilnya adalah akurasi 95,24%, presisi 82%, recall 87%, dan F1-score 84%. Secara keseluruhan, pembagian 80:20 menghasilkan kinerja klasifikasi yang lebih optimal. Temuan ini menunjukkan bahwa algoritma KNN mampu
mengklasifikasikan status stunting dengan akurasi tinggi, dan memiliki potensi yang kuat untuk diimplementasikan sebagai alat deteksi dini di fasilitas perawatan kesehatan
primer.
Kata Kunci: Stunting, K-Nearest Neighbor, Klasifikasi, Pembelajaran Mesin.