KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN ALGORITMA K- NEAREST NEIGHBOR DAN NAÏVE BAYES (STUDY KASUS: UPTD PUSKESMAS BAMBU APUS)
(1) Program Studi Magister Teknik Informatika, Universitas Pamulang Tangerang Selatan
(2) Program Studi Magister Teknik Informatika, Universitas Pamulang Tangerang Selatan
(3) Program Studi Magister Teknik Informatika, Universitas Pamulang Tangerang Selatan
(*) Corresponding Author
Abstract
The nutritional status of toddlers is influenced by various factors, both direct, such as infectious diseases, birth history, exclusive breastfeeding, and the quality and quantity of food, as well as indirect factors, including socio-economic status, education, knowledge, and healthcare behavior. Exclusive breastfeeding is particularly crucial as it provides the most complete source of nutrients and is essential for proper growth and development (both brain and body). These factors play a significant role in determining the physical and mental development of children. Malnutrition in toddlers can lead to serious consequences, including physical growth disorders, delayed mental development, and increased risk of disease. Therefore, proper nutrition is essential, especially during early childhood, when nutritional needs are higher than in other age groups. In this context, the study developed a classification model for toddler nutritional status using the K-Nearest Neighbor (KNN) and Naïve Bayes algorithms, comparing the accuracy of both algorithms. The study data was collected from Bambu Apus Community Health Center, involving 424 toddlers aged 0-60 months, with nutritional status assessment criteria based on age, weight, and height or length, which were converted into Z-scores according to the WHO 2005 anthropometric standards. Data testing and analysis were conducted using the RapidMiner 10.3 application. The results showed that the majority of toddlers in the area had good nutritional status, with the highest accuracy achieved by the Naïve Bayes algorithm at 87.65% using a 60:40 hold-out method. This study provides valuable insights into the prevalence of nutritional status at Bambu Apus Community Health Center and emphasizes the importance of regular monitoring of toddler nutritional status. Additionally, the study contributes to identifying effective classification methods for toddler nutritional status, which can support more targeted nutrition intervention programs.
ABSTRAK
Status gizi balita dipengaruhi oleh berbagai faktor, baik langsung seperti penyakit infeksi, riwayat lahir, pemberian ASI Eksklusif, serta mutu dan kuantitas makanan, maupun tidak langsung seperti sosial ekonomi, pendidikan, pengetahuan, dan perilaku terhadap layanan kesehatan. Riwayat Pemberian ASI Eksklusif merupakan hal yang mempengaruhi status gizi karena ASI miliki sumber zat gizi yang paling lengkap, dan harus diberikan kepada anak, sehingga pertumbuhan dan perkembangan (otak dan tubuh) baik. Faktor-faktor ini memegang peran penting dalam menentukan perkembangan fisik dan mental anak. Kekurangan gizi pada balita dapat menimbulkan dampak serius, termasuk gangguan pertumbuhan fisik, keterlambatan perkembangan mental, dan peningkatan risiko penyakit. Oleh karena itu, pemenuhan gizi yang tepat sangat penting, terutama pada masa balita yang membutuhkan asupan gizi lebih besar dibandingkan kelompok usia lainnya. Dalam hal ini, penelitian mengembangkan model klasifikasi status gizi balita menggunakan algoritma K-Nearest Neighbor (KNN) dan Naïve Bayes, serta membandingkan akurasi kedua algoritma tersebut dengan data testing – training 60:40, 70:30 dan 80:20. Data penelitian diambil dari Puskesmas Bambu Apus, melibatkan 424 balita usia 0-60 bulan, dengan kriteria penilaian status gizi berdasarkan usia, berat badan, serta tinggi atau panjang badan yang dikonversi ke dalam nilai Z-score sesuai standar antropometri WHO 2005. Pengujian dan analisis data dilakukan menggunakan aplikasi RapidMiner 10.3. Hasil penelitian menunjukkan bahwa mayoritas balita di wilayah tersebut memiliki status gizi baik, dengan akurasi tertinggi pada algoritma Naïve Bayes sebesar 87,65% menggunakan metode hold-out 60:40. Penelitian ini memberikan wawasan penting mengenai prevalensi status gizi di Puskesmas Bambu Apus dan menekankan pentingnya pemantauan status gizi balita. Selain itu, penelitian ini juga berkontribusi dalam mengidentifikasi metode klasifikasi yang efektif untuk status gizi balita, yang dapat mendukung program intervensi gizi yang lebih tepat sasaran.
Keywords
Full Text:
PDFReferences
Agus Budiyantara; Irwansyah; Egi Prengki; Pandi Ahmad Pratama; Ninuk Wiliani. (2020). Komparasi Algoritma Decision Tree , Naive Bayes Dan K-Nearest Neighbor Untuk Memprediksi Mahasiswa Lulus. Jurnal Ilmu Pengetahuan Dan Teknologi Komputer (JITK), 5(2), 265–270. https://doi.org/https://doi.org/10.33480/jitk.v5i2.1214
Anshori, L., Putri, R. R. M., & Tibyani. (2018). Implementasi Metode K-Nearest Neighbor untuk Rekomendasi Keminatan Studi (Studi Kasus : Jurusan Teknik Informatika Universitas Brawijaya). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK), 2(7), 2745–2753. https://www.researchgate.net/publication/321097020_Implementasi_Metode_K-Nearest_Neighbor_untuk_Rekomendasi_Keminatan_Studi_Studi_Kasus_Jurusan_Teknik_Informatika_Universitas_Brawijaya
Assyam, H. D. Al, & Hasan, F. N. (2023). Analisis Sentimen Twitter Terhadap Perpindahan Ibu Kota Negara Ke IKN Nusantara Menggunakan Orange Data Mining. KLIK: Kajian Ilmiah Informatika Dan Komputer, 4(1), 341–349. https://doi.org/https://doi.org/10.30865/klik.v4i1.957
Bagaskara, W., & Pusparini Nur Nawaningtyas, I. (2024). Klasifikasi Penjadwalan Kerja Perawatan Air Conditioner (Ac) Menggunakan Algoritma Decision Tree (C4.5) Pada PT Xyz. Infotech: Journal of Technology Information, 10(1), 11–20. https://doi.org/https://doi.org/10.37365/jti.v10i1.240
Dhuhita, W. (2015). Clustering Menggunakan Metode K-Mean Untuk Menentukan Status Gizi Balita. Jurnal Informatika Darmajaya, 15(2), 160–174.
Muryono, T. T., & Irwansyah. (2020). Implementasi Data Mining Untuk Menentukan Kelayakan Pemberian Kredit Dengan Menggunakan Algoritma K-Nearest Neighbors (K-NN). Journal Of Technology Information, 6(1), 43–48. https://doi.org/DOI: https://doi.org/10.37365/jti.v6i1.78
Muryono, T. T., Taufik, A., & Irwansyah, I. (2021). Perbandingan Algoritma K-Nearest Neighbor, Decision Tree, Dan Naive Bayes Untuk Menentukan Kelayakan Pemberian Kredit. Infotech: Journal of Technology Information, 7(1), 35–40. https://doi.org/https://doi.org/10.37365/jti.v7i1.104
Mutiara Sukma Ghora Pangumbara’an, Arya Adhyaksa Waskita, M. (2024). Klasifikasi Status Gizi Balita Menggunakan Algoritma K- Nearest Neighbor Dan Naïve Bayes (Study Kasus: Uptd Puskesmas Bambu Apus). Infotech: Journal of Technology Information, 10(2). https://doi.org/https://doi.org/10.37365/jti.v10i2.305
Permenkes. (2014). Peraturan Menteri Kesehatan RI No 75 tahun 2014. Lincolin Arsyad.
Wiranata, A. D., Soleman, S., Irwansyah, I., Sudaryana, I. K., & Rizal, R. (2023). Klasifikasi Data Mining Untuk Menentukan Kualitas Udara Di Provinsi Dki Jakarta Menggunakan Algoritma K-Nearest Neighbors (K-Nn). Infotech: Journal of Technology Information, 9(1), 95–100. https://doi.org/https://doi.org/10.37365/jti.v9i1.164
Wulandari. (2019). Hubungan Pengetahuan Ibu Tentang Gizi Dengan Status Gizi Anak usia 1-3 tahun. Riau.
Wulandari, D. A., & Prasetyo, A. (2018). Sistem Penunjang Keputusan Untuk Menentukan Status Gizi Balita Menggunakan Metode Fuzzy Tsukamoto. JURNAL INFORMATIKA, Vol.5 No.1, 22~33.
DOI: https://doi.org/10.37365/jti.v10i2.305
Refbacks
- There are currently no refbacks.