DETEKSI STANTING PADA BALITA DENGAN MENGGUNAKAN PERBANDINGAN ALGORITMA MACHINE LEARNING
Sari
Deteksi stanting pada balita adalah proses identifikasi dini untuk mendeteksi gangguan pertumbuhan yang terlihat dari tinggi badan yang berada di bawah standar usia. Stunting merupakan indikator dari masalah gizi kronis yang disebabkan oleh kekurangan asupan gizi dalam jangka waktu yang lama, sering kali diperburuk oleh infeksi berulang dan kondisi sosial ekonomi yang tidak mendukung. Stunting, yang merupakan kegagalan pertumbuhan anak akibat kekurangan gizi jangka panjang, Merupakan masalah kesehatan masyarakat yang rumit dengan dampak yang berlangsung dalam jangka panjang. Dalam penelitian ini, dibangun sistem yang menggunakan algoritma machine learning, yaitu decision tree, SVM, KNN, random forest, naïve bayes, logistic regression, untuk mengukur tingkat akurasi masing-masing algoritma. Pengujian dilakukan dengan menggunakan 30% data untuk pengujian dan 70% untuk pelatihan. Hasil pengujian menunjukkan tingkat akurasi algoritma sebagai berikut: decision tree mencapai akurasi 99%, SVM 95%, logistic regression 74%. naïve bayes 48%, KNN 99%, dan random forest 99%. Oleh karena itu, algoritma decision tree, KNN, dan random forest menghasilkan akurasi tertinggi, yaitu 99% yang menunjukkan bahwa algoritma ini lebih efektif untuk mendeteksi stanting pada balita.
Kata Kunci
Teks Lengkap:
PDFReferensi
Aisha, P., Fathurahman, M., & Prangga, S. (2024). Implementasi Metode Neighbor Weighted K-Nearest Neighbor Pada Pengklasifikasian Status Gizi Balita Di Wilayah Kerja Puskesmas Wonorejo Kota Samarinda. VARIANCE: Journal of Statistics and Its Applications, 6(1), 11–20. https://doi.org/10.30598/variancevol6iss1page11-20
Chamidah, N., Santoni, M. M., & Matondang, N. (2020). Pengaruh Oversampling pada Klasifikasi Hipertensi dengan Algoritma Naïve Bayes, Decision Tree, dan Artificial Neural Network (ANN). Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 4(4), 635–641.
Chazar, C., & Erawan, B. (2020). Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine. INFORMASI (Jurnal Informatika Dan Sistem Informasi), 12(1), 67–80. https://doi.org/10.37424/informasi.v12i1.48
Gurning, U. R., Octavia, S. F., Andriyani, D. R., Nurainun, N., & Permana, I. (2024). Prediksi Risiko Stunting pada Keluarga Menggunakan Naïve Bayes Classifier dan Chi-Square. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 172–180. https://doi.org/10.57152/malcom.v4i1.1074
Hanif, K. H., & Muntiari, N. R. (2024). Penerapan Algoritma Decision Tree, Svm, Naive Bayes Dalam Deteksi Stunting Pada Balita. METHOMIKA Jurnal Manajemen Informatika Dan Komputerisasi Akuntansi, 8(1), 105–109. https://doi.org/10.46880/jmika.vol8no1.pp105-109
Haris, M. S., Khudori, A. N., & Kusuma, W. T. (2022). Perbandingan Metode Supervised Machine Learning untuk Prediksi Prevalensi Stunting di Provisi Jawa Timur. Jurnal Teknologi Informasi Dan Ilmu Komputer, 9(7), 1571. https://doi.org/10.25126/jtiik.2022976744
Kemenkes RI. (2021). Hasil Studi Status Gizi Indonesia (SSGI) Tingkat Nasional, Provinsi, dan Kabupaten/Kota Tahun 2021. Kementrian Kesehatan Republik Indonesia. https://doi.org/10.36805/bi.v2i1.301
Kristanto, F., Winarno, W. W., & Nasiri, A. (2023). Perbandingan Algoritme Naïve Bayes dan Decision Tree Pada Analisis Sentimen Data Komentar Siswa Pada Aplikasi Digital Teacher Assessment. Jurnal Ilmiah Teknik Informatika Dan Sistem Informais, 538–548.
Lonang, S., & Normawati, D. (2022). Klasifikasi Status Stunting Pada Balita Menggunakan K-Nearest Neighbor Dengan Feature Selection Backward Elimination. Jurnal Media Informatika Budidarma, 6(1), 49. https://doi.org/10.30865/mib.v6i1.3312
Muntiari, N. R., Fadlil, A., Studi, P., Teknik, M., Dahlan, U. A., Studi, P., Elektro, T., Dahlan, U. A., & Soepomo, J. P. (2019). Penentuan Kriteria Penginapan Menggunakan Metode Analytic Hierarchy Process. 9, 62–69.
Muntiari, N. R., & Hanif, K. H. (2022). Klasifikasi Penyakit Kanker Payudara Menggunakan Perbandingan Algoritma Machine Learning. Jurnal Ilmu Komputer Dan Teknologi, 3(1), 1–6. https://doi.org/10.35960/ikomti.v3i1.766
Muntiari, N. R., Hanif, K. H., & Nisa, I. C. (2021). Perbandingan Algoritma Regresi Logistik , Support Vector Machine , dan Gradient Boosting Pada Analisis Sentimen Data Komentar Siswa. 2(1), 1–7.
Muntiari, N. R., Nisa, K., Sandi A, A. S., Ashari, I. A., Hanif, K. H., & Dwinanto, R. W. (2023). Comparison of random forest algorithm, support vector machine, and k-nearest neighbor for diabetes disease classification. AIP Conference Proceedings, 2706, 1–8. https://doi.org/10.1063/5.0120218
Mutammimul Ula, Ananda Faridhatul Ulva, Mauliza, Muhammad Abdullah Ali, & Yumna Rilasmi Said. (2022). Application of Machine Learning in Predicting Children’S Nutritional Status With Multiple Linear Regression Models. Multica Science and Technology (Mst) Journal, 2(2), 124–130. https://doi.org/10.47002/mst.v2i2.363
Nugraha, F. S., Shidiq, M. J., & Rahayu, S. (2019). Analisis Algoritma Klasifikasi Neural Network Untuk Diagnosis Penyakit Kanker Payudara. Jurnal Pilar Nusa Mandiri, 15(2), 149–156. https://doi.org/10.33480/pilar.v15i2.601
Pangestu, H. G., Sinaga, R. Y., Ulya, F. Z., Athiyah, U., Muhammad, A. W., & Alameka, F. (2023). Analisis Efisiensi Metode K-Nearest Neighbor dan Forward Chaining Untuk Prediksi Stunting Pada Balita. Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer, 18(2), 78. https://doi.org/10.30872/jim.v18i2.10169
Pattiiha, F. S., & Hendry. (2022). Perbandingan Metode K-NN, Naïve Bayes, Decision Tree untuk Analisis Sentimen Tweet Twitter Terkait Opini Terhadap PT PAL Indonesia. Jurnal Riset Komputer), 9(2), 2407–389. https://doi.org/10.30865/jurikom.v9i2.4016
Prasetyo, E., & Nugroho, K. (2024). Optimasi Klasifikasi Data Stunting Melalui Ensemble Learning pada Label Multiclass dengan Imbalance Data. Techno.Com, 23(1), 1–10. https://doi.org/10.62411/tc.v23i1.9779
Putra, B., & Muhammad, A. H. (2024). Prediksi Prevalensi Stunting di Indonesia dengan Ordinary Least Square (OLS). G-Tech: Jurnal Teknologi Terapan, 8(3), 1890–1900. https://doi.org/10.33379/gtech.v8i3.4623
Ramadhani, Ramadhanu, & Taufik Hidayat. (2024). Metode Machine Learning untuk Klasifikasi Data Gizi Balita dengan Algoritma Naïve Bayes, KNN dan Decision Tree. Jurnal SIMETRIS, 15(1), 57–68.
Twitter, C.- Di, Raharjo, R. A., Sunarya, I. M. G., Gede, D., & Divayana, H. (2022). Perbandingan Metode Naïve Bayes Classifier Dan Support Vector Machine Pada Kasus Analisis Sentimen Terhadap Data Vaksin. 15(2), 456–464.
Wiratama, Y., & Aziz, R. Z. A. (2024). Perbandingan Prediksi Penyakit Stunting Balita Menggunakan Algoritma Support Vektor Machine dan Random Forest. 6(2). https://doi.org/10.47065/bits.v6i2.5543
Yulian Pamuji, F., Puspaning Ramadhan, V., & Artikel, R. (2021). Jurnal Teknologi dan Manajemen Informatika Komparasi Algoritma Random Forest dan Decision Tree untuk Memprediksi Keberhasilan Immunotheraphy Info Artikel Abstrak. Jurnal Teknologi Dan Manajemen Informatika, 7(1), 46–50. http://http//jurnal.unmer.ac.id/index.php/jtmi
DOI: https://doi.org/10.31294/jki.v13i1.25132
DOI (PDF): https://doi.org/10.31294/jki.v13i1.25132.g6871
##submission.copyrightStatement##
Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika
Email : jurnalkhatulistiwainformatika@bsi.ac.id
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License
Jurnal Khatulistiwa Informatika Indexed by:
