| dc.description.abstract | Masa balita merupakan fase krusial yang membutuhkan pemantauan gizi yang konstan, karena pertumbuhan dan perkembangan yang cepat memerlukan asupan gizi yang optimal. Masalah gizi pada balita dapat menghambat pertumbuhan fisik dan bahkan berpotensi fatal. Dalam menilai status gizi balita, penting untuk menggunakan metode yang efisien. Salah satu pendekatan yang bisa digunakan adalah machine learning, yang dapat membantu dalam penentuan status gizi balita. K-Nearest Neighbors (KNN) adalah salah satu algoritma yang umum digunakan dalam klasifikasi objek berdasarkan tetangga terdekat. Meskipun sederhana, penentuan nilai K yang tepat sangat penting karena dapat mempengaruhi performa KNN secara signifikan. Penelitian ini menekankan pentingnya pemilihan parameter yang tepat untuk meningkatkan akurasi model KNN dalam mengklasifikasikan status gizi balita. Hasil pengujian menunjukkan bahwa kombinasi optimal untuk KNN adalah pada K=4, dengan menggunakan bobot (weight) 'distance' dan distance metric p=1, menghasilkan akurasi tertinggi sebesar 91,15% pada data uji. Selanjutnya, penelitian mengaplikasikan Particle Swarm Optimization (PSO) untuk mengoptimalkan parameter KNN, dan ditemukan bahwa kombinasi optimal adalah dengan K=6, weight 'distance', dan distance metric p=1, mencapai mean accuracy sebesar 93,44% dan test accuracy sebesar 93,98%. PSO terbukti efektif dalam menemukan parameter terbaik yang meningkatkan generalisasi model terhadap data uji. Hasil uji dengan rasio data training 80% dan testing 20% menunjukkan akurasi terbaik sebesar 93,98%. Penggunaan PSO untuk optimasi parameter berhasil meningkatkan akurasi model sebesar 2,83% dibandingkan dengan model tanpa optimasi. | id_ID |
