Optimasi Model Algoritma Klasifikasi menggunakan Metode Bagging pada Stunting Balita
DOI:
https://doi.org/10.29408/edumatic.v7i2.23812Keywords:
bagging, k-nearest neighbour, naive bayes, stunting, support vector machineAbstract
Stunting is a serious problem for the health of toddlers, who experience malnutrition during their development. Poor nutritional intake or a lack of knowledge about nutrition can be a factor in stunting. This study aims to optimize the stunting classification algorithm in toddlers using the K-Nearest Neighbor algorithm, Support Vector Machine, and Naïve Bayes by using bagging optimization. This study uses toddler data totaling 10,000 records, 7 attributes, and 2 classes taken from Krobokan Health Center, Semarang City. Based on the findings of this study, the Bagging Method shows excellent performance with 89.77% accuracy, 95.57% precision, 85.45% recall, and a 90.27% F1-score. This shows great potential for improving the model's ability to classify data with a high degree of accuracy, completeness, and balance. The SVM model has a high recall of 80.59%, while the Naïve Bayes model gets an F1-score of 71.84%, indicating that Naïve Bayes has a good balance between precision and recall. Overall, the Bagging Model is the best choice, with far superior performance compared to other models. Based on the results obtained, the Bagging Method can predict stunting data accurately, showing a very good level of truth in stunting prediction efforts.
References
Armansyah, A., & Ramli, R. K. (2022). Model Prediksi Kelulusan Mahasiswa Tepat Waktu dengan Metode Naïve Bayes. Edumatic: Jurnal Pendidikan Informatika, 6(1), 1-10. https://doi.org/10.29408/edumatic.v6i1.4789
Efriadi, D., Rahmaddeni, R., Agustin, A., & Junadhi, J. (2022). Prediksi Penambahan Piutang Iuran Jaminan Sosial Ketenagakerjaan menggunakan Algoritma K-Nearest Neighbor. Edumatic: Jurnal Pendidikan Informatika, 6(1), 49-57. https://doi.org/10.29408/edumatic.v6i1.5255
Ginting, K. P., & Pandiangan, A. (2019). Tingkat Kecerdasan Intelegensi Anak Stunting. Jurnal Penelitian Perawat Profesional, 1(1), 47–52. https://doi.org/10.37287/jppp.v1i1.25
Givari, M. R., Sulaeman, M. R., & Umaidah, Y. (2022). Perbandingan Algoritma SVM, Random Forest Dan XGBoost Untuk Penentuan Persetujuan Pengajuan Kredit. Nuansa Informatika, 16(1), 141–149. https://doi.org/10.25134/nuansa.v16i1.5406
Herliansyah, V. R. Latuconsina, & A. Dinimaharawati. (2021). Prediksi Stunting Pada Balita Dengan Menggunakan Algoritma Klasifikasi Naïve Bayes. E-Proceeding of Engineering, 8(5), 6643–6649.
Hermanto, H., Mustopa, A., & Kuntoro, A. Y. (2020). Algoritma Klasifikasi Naive Bayes Dan Support Vector Machine Dalam Layanan Komplain Mahasiswa. JITK (Jurnal Ilmu Pengetahuan Dan Teknologi Komputer), 5(2), 211–220. https://doi.org/10.33480/jitk.v5i2.1181
Hidayat, W., Utami, E., Iskandar, A. F., Hartanto, A. D., & Prasetio, A. B. (2021). Perbandingan Performansi Model pada Algoritma K-NN terhadap Klasifikasi Berita Fakta Hoaks Tentang Covid-19. Edumatic: Jurnal Pendidikan Informatika, 5(2), 167-176. https://doi.org/10.29408/edumatic.v5i2.3664
Hovi, H. S. W., Id Hadiana, A., & Rakhmat Umbara, F. (2022). Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM). Informatics and Digital Expert (INDEX), 4(1), 40–45. https://doi.org/10.36423/index.v4i1.895
Islam, H. I., Mulyadien, M. K., & Enri, U. (2022). Penerapan Algoritma C4.5 dalam Klasifikasi Status Gizi Balita. Jurnal Ilmiah Wahana Pendidikan, 8(10), 116–125.
Kemenkes. (2022). Hasil Survei Status Gizi Indonesia (SSGI) 2022. Kemenkes, 1–7.
Matdoan, M. Y., Matdoan, U. A., & Saleh Far-Far, M. (2022). Algoritma K-Means Untuk Klasifikasi Provinsi di Indonesia Berdasarkan Paket Pelayanan Stunting. PANRITA Journal of Science, Technology, and Arts, 1(2), 41–46.
Nirmalasari, N. O. (2020). Stunting Pada Anak : Penyebab dan Faktor Risiko Stunting di Indonesia. Qawwam: Journal For Gender Mainstreming, 14(1), 19–28.
Prayoga, P. R., Purnawansyah, P., Hasanuddin, T., & Darwis, H. (2023). Klasifikasi Daun Herbal Menggunakan K-Nearest Neighbor dan Support Vector Machine dengan Fitur Fourier Descriptor. Edumatic: Jurnal Pendidikan Informatika, 7(1), 160–168. https://doi.org/10.29408/edumatic.v7i1.17521
Purwani, F., Wahyudi, R. T., & Jaya, I. D. (2022). Penerapan Algoritma K-Nearest Neighbor dengan Euclidean Distance untuk Menentukan Kelompok Uang Kuliah Tunggal Mahasiswa. Edumatic: Jurnal Pendidikan Informatika, 6(2), 344-353. https://doi.org/10.29408/edumatic.v6i2.6547
Rahayu, A. S., Fauzi, A., & Rahmat, R. (2022). Komparasi Algoritma Naïve Bayes Dan Support Vector Machine (SVM) Pada Analisis Sentimen Spotify. Jurnal Sistem Komputer Dan Informatika (JSON), 4(2), 349. https://doi.org/10.30865/json.v4i2.5398
Rahmadhita, K. (2020). Permasalahan Stunting dan Pencegahannya. Jurnal Ilmiah Kesehatan Sandi Husada, 11(1), 225–229. https://doi.org/10.35816/jiskh.v11i1.253
Ramadhan, N. G., & Khoirunnisa, A. (2021). Klasifikasi Data Malaria Menggunakan Metode Support Vector Machine. Jurnal Media Informatika Budidarma, 5(4), 1580-1584. https://doi.org/10.30865/mib.v5i4.3347
Raysyah, S. R., Veri Arinal, & Dadang Iskandar Mulyana. (2021). Klasifikasi Tingkat Kematangan Buah Kopi Berdasarkan Deteksi Warna Menggunakan Metode Knn Dan Pca. JSiI (Jurnal Sistem Informasi), 8(2), 88–95. https://doi.org/10.30656/jsii.v8i2.3638
Saputra, A. Y., & Primadasa, Y. (2018). Penerapan Teknik Klasifikasi Untuk Prediksi Kelulusan Mahasiswa Menggunakan Algoritma K-Nearest Neighbor. Techno. Com, 17(4), 395-403. https://doi.org/10.33633/tc.v17i4.1864
Saputri, N. D., Khalid, K., & Rolliawati, D. (2022). Comparison of Bagging and Adaboost Methods on C4. 5 Algorithm for Stroke Prediction. Sistemasi: Jurnal Sistem Informasi, 11(3), 567-577. https://doi.org/10.32520/stmsi.v11i3.1684
Sari, V. R., Firdausi, F., & Azhar, Y. (2020). Perbandingan Prediksi Kualitas Kopi Arabika dengan Menggunakan Algoritma SGD, Random Forest dan Naive Bayes. Edumatic: Jurnal Pendidikan Informatika, 4(2), 1-9. https://doi.org/10.29408/edumatic.v4i2.2202
Setiawan, R., & Triayudi, A. (2022). Klasifikasi Status Gizi Balita Menggunakan Naïve Bayes dan K-Nearest Neighbor Berbasis Web. Jurnal Media Informatika Budidarma, 6(2), 777-785. https://doi.org/10.30865/mib.v6i2.3566
Susanti, S., Sari, A. A., Anam, M. K., Jamaris, M., & Hamdani, H. (2022). Sistem Prediksi Keuntungan Influencer Pengguna E-Commerce Shopee Affiliates menggunakan Metode Naïve Bayes. Edumatic: Jurnal Pendidikan Informatika, 6(2), 394-403. https://doi.org/10.29408/edumatic.v6i2.6787
Wahyudin, W. C., Hana, F. M., & Prihandono, A. (2023). Prediksi Stunting Pada Balita Di Rumah Sakit Kota Semarang Menggunakan Naive Bayes. Jurnal Ilmu Komputer dan Matematika, 4(1), 32–36.
Wijaya, H. D., & Dwiasnati, S. (2020). Implementasi Data Mining dengan Algoritma Naïve Bayes pada Penjualan Obat. Jurnal Informatika, 7(1), 1–7. https://doi.org/10.31311/ji.v7i1.6203
Yunial, A. H. (2020). Analisis Optimasi Algoritma Klasifikasi Support Vector Machine, Decision Trees, dan Neural Network Menggunakan Adaboost dan Bagging. Jurnal Informatika Universitas Pamulang, 5(3), 247. https://doi.org/10.32493/informatika.v5i3.6609
Downloads
Published
Issue
Section
License
Semua tulisan pada jurnal ini adalah tanggung jawab penuh penulis. Edumatic: Jurnal Pendidikan Informatika bisa diakses secara free (gratis) tanpa ada pungutan biaya, sesuai dengan lisensi creative commons yang digunakan.
This work is licensed under a Lisensi a Creative Commons Attribution-ShareAlike 4.0 International License.
