ALGORITMA NAIVE BAYES DALAM PENGKLASIFIKASIAN KASUS STUNTING PADA POSYANDU TUNAS MEKAR III

ALGORITMA NAIVE BAYES DALAM PENGKLASIFIKASIAN KASUS STUNTING PADA POSYANDU TUNAS MEKAR III

• By Saputra, Septian Reza;
• Skripsi
• 2

ABSTRAK

Penelitian ini bertujuan untuk mengembangkan model klasifikasi kasus gizi bayi menjadi tiga kategori: stunting, dan normal menggunakan algoritma Naive Bayes. Data yang digunakan dalam penelitian ini berasal dari posyandu Tunas Mekar III. Setelah melalui proses pengolahan dan analisis data menggunakan tools RapidMiner, model Naive Bayes yang dihasilkan menunjukkan tingkat akurasi sebesar 98.67%. Model ini memiliki kinerja yang sangat baik dalam mengidentifikasi kasus stunting dan normal dengan nilai precision dan recall yang tinggi. Namun, model ini mengalami kesulitan dalam mengklasifikasikan kasus obesitas, ditunjukkan dengan nilai precision dan recall yang sangat rendah untuk kategori tersebut.

Kata Kunci : Analisis, Naive Bayes, RapidMiner, Klasifikasi

• Katakunci Analisis, Naive Bayes, RapidMiner, Klasifikasi
• URL http://
• Penerbit Bina Sarana Informatika,

REFERENSI

DAFTAR PUSTAKA

 

Ahmad, A. S., Azis, A., & Fadli. (2021). Analysis of Risk Factors for the Incidence of Stunting in Toddlers. Journal of Health Science and Prevention, 5(1), 10–14. https://doi.org/10.29080/jhsp.v5i1.415

Arisandi, R. R. R., Warsito, B., & Hakim, A. R. (2022). Aplikasi Naïve Bayes Classifier (Nbc) Pada Klasifikasi Status Gizi Balita Stunting Dengan Pengujian K-Fold Cross Validation. Jurnal Gaussian, 11(1), 130–139. https://doi.org/10.14710/j.gauss.v11i1.33991

Azeraf, E., Monfrini, E., & Pieczynski, W. (2021). Using the Naive Bayes as a discriminative model. ACM International Conference Proceeding Series, December 2020, 106–110. https://doi.org/10.1145/3457682.3457697

Aziz, A., Insani, F., Jasril, J., & Syafria, F. (2023). Implementasi Metode Learning Vector Quantization (LVQ) Untuk Klasifikasi Keluarga Beresiko Stunting. Building of Informatics, Technology and Science (BITS), 5(1), 12–21. https://doi.org/10.47065/bits.v5i1.3478

Chilyabanyama, O. N., Chilengi, R., Simuyandi, M., Chisenga, C. C., Chirwa, M., Hamusonde, K., Saroj, R. K., Iqbal, N. T., Ngaruye, I., & Bosomprah, S. (2022). Performance of Machine Learning Classifiers in Classifying Stunting among Under-Five Children in Zambia. Children, 9(7). https://doi.org/10.3390/children9071082

Hamra, A., Primanto, R. A., & A, R. F. (2023). HealthEvo : Kodular-Based Application for Prevention of Obesity and Stunting in Toddlers.

Heliyanti Susana. (2022). Penerapan Model Klasifikasi Metode Naive Bayes Terhadap Penggunaan Akses Internet. Jurnal Riset Sistem Informasi Dan Teknologi Informasi (JURSISTEKNI), 4(1), 1–8. https://doi.org/10.52005/jursistekni.v4i1.96

Indanah, I., Sukesih, S., Luthfin, F., & Khoiriyah, K. (2021). Obesitas Pada Balita. Jurnal Ilmu Keperawatan Dan Kebidanan, 12(2), 242. https://doi.org/10.26751/jikk.v12i2.1115

KEMENKES. (2021). Petunjuk Teknis Penggunaan KMS Balita.

Makarim,  dr. F. R. (2023). Anak Bertubuh Pendek Belum Tentu Stunting, Ini Penjelasannya. Halodoc. https://www.halodoc.com/artikel/anak-bertubuh-pendek-belum-tentu-stunting-ini-penjelasannya

Makarim,  dr. F. R. (2024). Stunting. Halodoc. https://www.halodoc.com/kesehatan/stunting

Melyani, S., Harahap, S. Z., & Irmayanti, I. (2024). Prediction of Stunting in Toddlers Combining the Naive Bayes Method and the C4.5 Algorithm. Sinkron, 8(2), 1160–1168. https://doi.org/10.33395/sinkron.v8i2.13651

Ndagijimana, S., Kabano, I. H., Masabo, E., & Ntaganda, J. M. (2023). Prediction of Stunting among Under-5 Children in Rwanda Using Machine Learning Techniques. Journal of Preventive Medicine and Public Health, 56(1), 41–49. https://doi.org/10.3961/jpmph.22.388

Palapessy, V. E. D., Susanti, R., Febrianti, N., Hariyani, F., & Sucipto, B. (2023). The Role of Health Workers in Preventing Stunting in Children. Jurnal Ners, 7(1), 260–265. https://doi.org/10.31004/jn.v7i1.13139

Pane,  dr. M. D. C. (2023). KMS, Isi, Fungsi, dan Cara Membacanya. https://www.alodokter.com/kms-isi-fungsi-dan-cara-membacanya#:~:text=Kartu Menuju Sehat (KMS) dan,sesuai umur dan jenis kelamin.

Pfeuffer, N., Baum, L., Stammer, W., Abdel-Karim, B. M., Schramowski, P., Bucher, A. M., Hügel, C., Rohde, G., Kersting, K., & Hinz, O. (2023). Explanatory Interactive Machine Learning: Establishing an Action Design Research Process for Machine Learning Projects. Business and Information Systems Engineering, 65(6), 677–701. https://doi.org/10.1007/s12599-023-00806-x

Sari, S. M., Yusnita, Y., Huda, N., Ernawati, K., Maharsi, E. D., Zakiyah, Z., Widianti, D., & Farras, R. M. (2023). Capacity building of integrated health post cadres on stunting prevention in Pandeglang Regency Locus Area. Abdimas: Jurnal Pengabdian Masyarakat Universitas Merdeka Malang, 8(2), 278–287. https://doi.org/10.26905/abdimas.v8i2.9236

Syahrial, S., Ilham, R., Asikin, Z. F., & Nurdin, S. S. I. (2022). Stunting Classification in Children’s Measurement Data Using Machine Learning Models. Journal La Multiapp, 3(2), 52–60. https://doi.org/10.37899/journallamultiapp.v3i2.614

Uska, M., Wirasasmita, R., Usuluddin, U., & Arianti, B. (2020). Evaluation of Rapidminer-Aplication in Data Mining Learning using PeRSIVA Model. Edumatic: Jurnal Pendidikan Informatika, 4(2), 164–171. https://doi.org/10.29408/edumatic.v4i2.2688

Usman, M., & Kopczewska, K. (2022). Spatial and Machine Learning Approach to Model Childhood Stunting in Pakistan: Role of Socio-Economic and Environmental Factors. International Journal of Environmental Research and Public Health, 19(17). https://doi.org/10.3390/ijerph191710967