Penerapan Metode Naive Bayes dan Support Vector Machine (SVM) dalam Mengklasifikasikan Status Gizi Balita Stunting di Puskesmas Sumbersari Kabupaten Jember
Tahun 2025 · Penulis: Mohammad Irfan Maulana
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/14269
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Penerapan Metode Naive Bayes dan Support Vector Machine (SVM) dalam Mengklasifikasikan Status Gizi Balita Stunting di Puskesmas Sumbersari Kabupaten Jember
Perasaan takut adalah problem gizi kronis yang berdampak serius terhadap pertumbuhan dan perkembangan balita. Penelitian ini bertujuan untuk membandingkan kinerja Teluk Naïve dan Dukungan Mesin Vektor (SVM) algoritma dalam mengklasifikasikan status gizi balita berisiko menjadi dua kategori: stunting dan tidak stunting. Data penelitian tersebut diperoleh dari Pumbersari Pumbersari, Kabupaten Jember pada tahun 2023, terdiri dari 361 catatan, dan diproses dengan menggunakan Sintetis Minority Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas, meningkatkan dataset menjadi 612 catatan. Penelitian ini menggunakan sifat-sifat berikut: jenis kelamin, usia (dalam hari), berat (kg), dan tinggi badan (cm). Semua data mengalami tahap praproses, termasuk pembersihan, normalisasi, pengkodean label, dan keseimbangan. Penerapan membandingkan kedua algoritma menggunakan tiga rasio pemisahan data: 70:30, 80:20, dan 90:10, dengan evaluasi berdasarkan matriks kebingungan, perhitungan akurasi, presisi, ingat, dan F1-score. Hasil evaluasi menunjukkan bahwa SVM dengan RBF kernel menghasilkan kinerja terbaik dengan akurasi 94%, 95.5% presisi, 91.5% ingat, dan 93% F1-score pada rasio 90:10. Sebagai perbandingan, algoritma Naïve Bayes mencapai akurasi 87%, 87,5% presisi, 85% ingat, dan 86% F1- skor. Keuntungan SVM terletak pada kemampuannya untuk menangani interaksi kompleks antara variabel dan pola nonlinear, sedangkan Naïve Bayes mengasumsikan fitur kemerdekaan. Temuan ini menunjukkan bahwa SVM lebih dapat diandalkan dan akurat dalam mengklasifikasikan status gizi balita dan lebih cocok untuk digunakan sebagai sistem pendukung keputusan dalam deteksi dini dan program intervensi untuk kasus-kasus stunting, khususnya pada tingkat kesehatan primer (puskesmas).
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,863
Tahun 2025 · Penulis: Mohammad Irfan Maulana
Analisis Perbandingan Metode Naive Bayes dan Support Vector Machine (SVM) dalam Klasifikasi Status Gizi Balita Berisiko Stunting
Penelitian ini berjudul “Analisis Perbandingan Metode Naive Bayes dan Support Vector Machine (SVM) dalam Klasifikasi Status Gizi Balita Berisiko Stunting”. Penelitian ini dilatarbelakangi oleh tingginya prevalensi stunting pada balita di Indonesia, termasuk di
- Cosine 0,844
Tahun 2026 · Penulis: Amirah Firdaus
Klasifikasi Status Gizi Balita Berdasarkan Data Antropometri Menggunakan Algoritma Light Gradient Boosting Machine
Balita berada di usia keemasan mereka, di mana malnutrisi pada tahap ini tidak dapat diperbaiki dan dapat mempengaruhi kesehatan pada masa dewasa. Oleh karena itu, memantau status gizi sangatlah penting. Menurut 2025 Jember Regency Data Dashboard, 18.157 balit
- Cosine 0,844
Tahun 2025 · Penulis: Bima Satria Nugraha
Analisis Perbandingan Metode Support Vector Machine dan Naive Bayes dalam Klasifikasi Demam Berdarah di Puskesmas Sumbersari Jember
Demam Berdarah (DB) merupakan salah satu penyakit endemis yang masih menjadi tantangan serius bagi sistem kesehatan di Indonesia, termasuk di wilayah Puskesmas Sumbersari, Jember. Peningkatan kasus Demam Berdarah (DB) menyebabkan meningkatnya beban kerja tenag