PENERAPAN NAÏVE BAYES UNTUK MENGETAHUI STATUS GIZI BALITA
DOI:
https://doi.org/10.54314/jssr.v6i2.1420Abstract
Meningkatnya populasi penduduk yang diiringi dengan semakin berkembangnya kemajuan teknologi merupakan salah satu upaya untuk menjaga derajat kesehatan dengan perbaikan gizi masyarakat, gizi yang seimbang dapat meningkatkan ketahanan tubuh, dapat meningkatkan kecerdasan dan menjadikan pertumbuhan yang normal. Dalam praktik sehari-hari status gizi didapatkan melalui pengukuran antropometri di posyandu. Umumnya masyarakat menggunakan indeks BB/U atau berat badan dibanding usia untuk menentukan status gizi sehingga membutuhkan waktu yang lama dan perhitungan yang bisa terjadi kesalahan. Penelitian ini bertujuan untuk memudahkan penentuan status gizi balita menggunakan machine learning dengan algoritma naive bayes classification dengan 4 kali pengujian data. Dimana pengujian rasio yang menghasilkan nilai akurasi terbaik dalam 4 pengujian akurasi dengan rasio 90:10, 80:20, 70:30 dan 60:40 diantaranya rasio pertama 90:10, rasio kedua 80:20, dan rasio ketiga 70:30 pada Data training dan data testing. Hasil penelitian menunjukkan akurasi sebesar 100.0%. Maka Naive bayes Classification dikategorikan baik untuk pengujian status gizi balita.
Downloads
References
Alfianty, N. H., & Mulyati, S. (2022). Penerapan Naïve Bayes untuk Klasifikasi Data Penyakit Pada Anak. Automata. https://journal.uii.ac.id/AUTOMATA/article/view/21914
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
Darnila, E., Maryana, M., & Azmi, M. (2021). Aplikasi Klasifikasi Status Gizi Balita Menggunakan Metode Naïve Bayes Berbasis Android. METHOMIKA Jurnal Manajemen Informatika Dan Komputerisasi Akuntansi, 5(2), 135–141. https://doi.org/10.46880/jmika.vol5no2.pp135-141
Evanko, D. (2010). Optical imaging of the native brain. Nature Methods, 7(1), 34. https://doi.org/10.1038/nmeth.f.284
Farida, N., Farida, I. N., & Sahertian, J. (2022). Implementasi Metode Naïve Bayes Classification Dalam Menentukan Gizi Balita Menggunakan Indeks Antropometri. 107–112.
Hasrul, H., Hamzah, H., & Hafid, A. (2020). Pengaruh Pola Asuh Terhadap Status Gizi Anak. Jurnal Ilmiah Kesehatan Sandi Husada, 12(2), 792–797. https://doi.org/10.35816/jiskh.v12i2.403
Rizal, R., Martanto, M., & Arie Wijaya, Y. (2022). Analisa Dataset Software Defined Network Intrusion Menggunakan Algoritma Deep Learning H2O. JATI (Jurnal Mahasiswa Teknik Informatika), 6(2), 747–757. https://doi.org/10.36040/jati.v6i2.5724
Sari, A. N., & Alfionita, S. (2022). Klasifikasi Penyakit Jantung Menggunakan Metode Naïve Bayes. AMRI (Analisa Metode Rekayasa Informatika), 1(1), 22–26. https://doi.org/10.12487/AMRI.v1i1.xxxxx
Wibisono, A. D., Dadi Rizkiono, S., & Wantoro, A. (2020). Filtering Spam Email Menggunakan Metode Naive Bayes. TELEFORTECH : Journal of Telematics and Information Technology, 1(1). https://doi.org/10.33365/tft.v1i1.685
