KLASIFIKASI ASUPAN KALORI UNTUK DIET MENGGUNAKAN K- NEAREST NEIGHBORS BERBASIS ANDROID
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 pengkalisifikasian 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, sistem klasifikasi asupan kalori yang dibangun memiliki nilai akurasi pada k1 70% k2 55% dan k3 45%. Selain metode K-Nearest Neighbors terdapat metode perbandingan untuk melihat nilai akurasi dari setiap metode yaitu menggunakan metode Naïve Bayes dan K-Means. Pada metode Naïve bayes memiliki nilai akurasi 55% dan pada metode K-Means memiliki nilai akurasi 65%.
APA Style
. (2022).KLASIFIKASI ASUPAN KALORI UNTUK DIET MENGGUNAKAN K- NEAREST NEIGHBORS BERBASIS ANDROID ().Teknik Informatika:FTI
Chicago Style
.KLASIFIKASI ASUPAN KALORI UNTUK DIET MENGGUNAKAN K- NEAREST NEIGHBORS BERBASIS ANDROID ().Teknik Informatika:FTI,2022.Text
MLA Style
.KLASIFIKASI ASUPAN KALORI UNTUK DIET MENGGUNAKAN K- NEAREST NEIGHBORS BERBASIS ANDROID ().Teknik Informatika:FTI,2022.Text
Turabian Style
.KLASIFIKASI ASUPAN KALORI UNTUK DIET MENGGUNAKAN K- NEAREST NEIGHBORS BERBASIS ANDROID ().Teknik Informatika:FTI,2022.Text
