Analisis Perbandingan Klasifikasi Balita Beresiko Stunting Menggunakan Metode Support Vector Machine dan Decission Tree
Abstract
Abstract
Permasalahan status gizi penderita stunting dilihat dari balita berusia dibawah lima tahun dan perkembangannya sejak awal kehidupan. Fase-fase awal kehidupan merupakan hal yang terpenting dalam proses pertumbuhan dan perkembangan anak. Permasalahan stunting di Indonesia menjadi target khusus pemerintah dalam penurunan angka kasus yang terjadi, maka dari itu sebagai langkah wujud nyata akan hal itu, penelitian dilakukan guna mengetahui pengoptimalan perbandingan sebuah metode dalam klasifikasi balita beresiko stunting. Penelitian ini dilakukan dengan membandingkan kedua metode Support Vector Machine dan Decision Tree untuk mengklasifikasi bayi beresiko stunting untuk mendapatkan hasil akurasi yang tepat serta efesien untuk mendapatkan rekomendasi dalam penentuannya. Hasil dari Model SVM terbaik memiliki akurasi sekitar 83% pada dataset pengujian, sedangkan model Decision Tree memiliki akurasi sekitar 78%. Model SVM juga memiliki recall yang baik yaitu 100% pada target ’1’ atau stunting, yang berarti model ini efektif dalam menentukan balita berisiko stunting. Dari keunggulan Model, Model SVM dapat disimpulkan lebih cocok jika keseimbangan antara precision dan recall sangat penting dalam konteks aplikasi tertentu. Dalam penelitian ini, SVM adalah pilihan yang dapat diandalkan untuk menganalisis risiko stunting pada balita.
References
Sujiono, Yuliani Nurani, Mencerdaskan Perilaku Anak Usia Dini, Gramedia. Jakarta, 2007
A.D.N Yadika, K.N Berawi, and S.H Nasution, Pengaruh Stunting Terhadap Perkem- bangan Kognitif dan Prestasi Belajar, J.Majot vol 8, 2019
Ernawati A, Gambaran Penyebab Balita Stunting di Desa Lokus Stunting Kabupaten Pati, J Litbang Media Inf Penelitian Pengembangan dan IPTEK ,
Khikmanto Supribadi, Nurul Khakhim, Taufik Hery Purwanto, Analisis Metode Support Vector Machine (Svm) untuk Klasifikasi Penggunaan Lahan
Berbasis Penutup Lahan pada Citra Alos Avnir-2. Majalah Geografi. Universitas Gadjah Mada , 2014.
Christianini Nello, An Introduction to Support Vector Machines and Other Kernel-based Learning Methods.Cambridge University Press. Royal Holloway.
University of London. 2013
Ugur Fidan, Esma dan Ismail, Classification of Dermatological Data with Self Organi- zing Maps and Support Vector Machine.Afyon Kocatepe University.
Hastie, Trevor. T, Robert and F Jerome, The Elements of Statistical Learning: Data Mining, Inference and Prediction.Springer Science Business Media
Library. Stanford University. 2009
Shawe-Taylor, J dan Cristianini, N, Kernel Methods for Pattern Analysis.Cambridge University Press. 2004
Eska, Data Mining Untuk Prediksi Penjualan Wallpaper Menggunakan Algoritma C45.JURTEKSI (Jurnal Teknol. dan Sistem Informasi vol. 2, pp. 9–13.
Basuki, Achmad.,Iwan Syarif, Decission Tree.PENS-ITS.Page 2. Politeknik Elektronika Negeri Surabaya. 2003
Ula, Mutamminul, Ananda F, Mauliza, Muhammad Abdullah, Application Of Machine Learning In Determining The Classification Of Children’s
Nutritionwith Decision Tree. Jurnal Teknik Informatika. Vol 3. 2022
Herliansyah, Vega, Prediksi Stunting Pada Balita Dengan Menggunakan Algoritma Kla- sifikasi Naive Bayes.Telkom University. 2021
Yunus, Abdul, Sarlis M, Andi B dan Ivo , Penerapan Algoritma Spport Vector Machine dan K-Nearest Neighbor Menggunkan Feature Selection Backward
Elimination Untuk Prediksi Status Penderita Stunting Pada Balita. Technoscienza. Vol.6 No.2 . Universitas Kahuripan Kediri.2022
Rally, Ivo dan Andi Bode, Prediksi Status Penderita Stunting Pada Balita Provinsi Gorontalo Menggunakan K-Nearest Neighbor Berbasis Seleksi Fitur Chi
Square. Jurnal Nasional Komputasi dan Teknologi Informasi Vol.5 No 2. 2022
Yoga, Saraswati, Maya Silvi dan Syahril E, Optimization of Support Vector Machi- ne Algorithm Using Stunting Data Classification. Jurnal Prisma Sains.
Vol 11. IKIP Mataram.2022
