Klasifikasi Asupan Kalori Untuk Diet Menggunakan K- Nearest Neighbors Berbasis Android

Authors

  • Rifki Muhammad Azhar Teknik Informatika, Institut Teknologi Nasional Bandung
  • Dewi Rosmala Teknik Informatika, Institut Teknologi Nasional Bandung

Keywords:

k-nearest neighbors, k-fold cross validation, nilai-k, body mass index, jumlah asupan kalori, total calorie intake

Abstract

ABSTRAK
Pengaturan asupan kalori diperlukan karena merupakan salah satu faktor penyebab obesitas. Pengaturan dilakukan dengan kategorisasi pada konsumsi makanan. K-nearest neighbors digunakan untuk melakukan klasifikasi data asupan. KNN digunakan karena memiliki algoritma sederhana dan mudah diimplementasikan pada aplikasi pengklasifikasian body mass index dan asupan kalori, serta tidak diperlukan pemodelan data. Proses KNN menjadi semakin lambat secara signifikan apabila jumlah data uji semakin banyak. Data latih yang digunakan pada penelitian ini memiliki jumlah yang tidak banyak, maka KNN bisa diimplementasikan. Untuk dapat menentukan nilai-k digunakan metode k-fold cross validation dengan pembagian data latih 20% dan data uji 80%. hasil aplikasi yang sudah terimplementasi, hasil pengujian menggunakan k-fold cross validation mendapat akurasi tertinggi 95% dan akurasi terendah 5%.

 

ABSTRACT
Setting calorie intake is necessary because it is one of the factors causing obesity. Arrangements are made with categorization of food consumption. K-nearest neighbors are used to classify intake data. KNN is used because it has a simple algorithm and is easy to implement in the application of body mass index classification and calorie intake, and no data modeling is required. The KNN process becomes significantly slower when the amount of test data increases. The training data used in this study has a small amount, so KNN can be implemented. To be able to determine the k-value the k-fold cross validation method is used with the division of training data 20% and 80% test data. application results that have been implemented, the results of testing using k-fold cross validation get the highest accuracy of 95% and the lowest accuracy of 5%.

Published

2022-06-14 — Updated on 2022-07-06

Versions