Implementasi Machine Learning Menggunakan Adaboost dalam Prediksi Status Gizi Anak di Posyandu Tanjung XXIV
Abstract
Nutritional status is important for children's growth and development, as well as for measuring nutritional adequacy. Posyandu Tanjung XXIV is a facility for routinely recording children's growth and development, but it still uses manual processes to determine nutritional status so it is not yet effective. Data processing is needed to help predict children's nutritional status. Machine Learning is used for data processing and predicting data based on algorithmic patterns. Previous research related to nutritional status using Machine Learning has been carried out but resulted in a small level of accuracy in the Naïve Bayes algorithm, so accuracy needs to be increased. This research aims to implement Machine Learning using Naïve Bayes combined with the Adaboost method to increase the accuracy of the Posyandu Tanjung XXIV toddler dataset. The research uses variable dataWeight by Age, Height by Age, Weight by Height. The results of the research show that the implementation of Naïve Bayes using Adaboost increases accuracy with results of 100% accuracy, an increase of 6.67% from the implementation of Naïve Bayes independently with results of 93.33%.
Keywords: Nutritional status; Machine Learning; Naive Bayes; Adaboost
Abstrak
Status Gizi hal yang penting bagi pertumbuhan dan perkembangan anak, serta untuk mengukur kecukupan zat gizi. Posyandu Tanjung XXIV merupakan fasilitas untuk mendata pertumbuhan dan perkembangan anak secara rutin, namun masih menggunakan proses manual untuk menentukan status gizi sehingga belum efektif. Perlu pengolahan data untuk membantu memprediksi status gizi anak. Machine Learning digunakan untuk pengolahan data serta memprediksi data berdasarkan pola algoritma. Penelitian sebelumnya terkait status gizi menggunakan Machine Learning sudah dilakukan namun menghasilkan tingkat akurasi kecil pada algoritma Naïve Bayes, sehingga perlu peningkatan akurasi. Penelitian ini bertujuan untuk implementasi Machine Learning menggunakan Naïve Bayes dikombinasikan dengan metode Adaboost untuk meningkatkan akurasi dataset balita Posyandu Tanjung XXIV. Penelitian menggunakan data variable Berat Badan menurut Umur, Tinggi Badan menurut Umur, Berat Badan menurut Tinggi Badan. Hasil dari penelitian menunjukkan implementasi Naïve Bayes menggunakan Adaboost meningkatkan akurasi dengan hasil akurasi 100%, meningkat sebesar 6,67% dari penerapan Naïve bayes mandiri dengan hasil 93,33%
Kata kunci: Status Gizi; Machine Learning; Naive Bayes; Adaboost
References
L. A. Budiman et al., “Analisis Status Gizi Menggunakan Pengukuran Indeks Massa Tubuh Dan Beban Kerja Pada Tenaga Kesehatan,” Nutrizone, vol. 01, no. 1, pp. 6–15, 2021.
L. Khulafa’ur Rosidah and S. Harsiwi, “Hubungan Status Gizi Dengan Perkembangan Balita Usia 1-3 Tahun (Di Posyandu Jaan Desa Jaan Kecamatan Gondang Kabupaten Nganjuk),” J. Kebidanan, vol. 6, no. 1, pp. 24–37, 2019, doi: 10.35890/jkdh.v6i1.48.
Ramadhani, Ramadhanu, and Taufik Hidayat, “Metode Machine Learning untuk Klasifikasi Data Gizi Balita dengan Algoritma Naïve Bayes, KNN dan Decision Tree,” J. SIMETRIS, vol. 15, no. 1, pp. 57–68, 2024.
Kemenkes, “Buku Saku Hasil Survey Status Gizi Indonesia (SSGI) Tahun 2022,” Kemenkes, pp. 1–154, 2022.
O. Ennaji, L. Vergütz, and A. El Allali, “Machine learning in nutrient management: A review,” Artif. Intell. Agric., vol. 9, pp. 1–11, 2023, doi: 10.1016/j.aiia.2023.06.001.
A. V. D. Sano, A. A. Stefanus, E. D. Madyatmadja, H. Nindito, A. Purnomo, and C. P. M. Sianipar, “Proposing a visualized comparative review analysis model on tourism domain using Naïve Bayes classifier,” Procedia Comput. Sci., vol. 227, pp. 482–489, 2023, doi: 10.1016/j.procs.2023.10.549.
C. Karima and W. Anggraeni, “Performance Analysis of the Ada-Boost Algorithm For Classification of Hypertension Risk With Clinical Imbalanced Dataset,” Procedia Comput. Sci., vol. 234, pp. 645–653, 2024, doi: 10.1016/j.procs.2024.03.050.
P. Handayani and A. C. Fauzan, “Machine Learning Klasifikasi Status Gizi Balita Menggunakan Algoritma Random Forest,” vol. 4, no. 6, pp. 3064–3072, 2024, doi: 10.30865/klik.v4i6.1909.
I. P. Putri, T. Terttiaavini, and N. Arminarahmah, “Analisis Perbandingan Algoritma Machine Learning untuk Prediksi Stunting pada Anak,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 257–265, 2024, doi: 10.57152/malcom.v4i1.1078.
S. K. P. Loka and A. Marsal, “Perbandingan Algoritma K-Nearest Neighbor dan Naïve Bayes Classifier untuk Klasifikasi Status Gizi Pada Balita,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 8–14, 2023, doi: 10.57152/malcom.v3i1.474.
A. Amalia, A. Irma Purnamasari, and I. Ali, “Implementasi Algoritma C4.5 Dan Naïve Bayes Dalam Pengambilan Keputusan Untuk Program Indonesia Pintar (Pip) Di Sekolah Dasar Negeri 04 Majalangu,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1889–1896, 2024, doi: 10.36040/jati.v8i2.8311.
F. Prasetyo and H. Hasugian, “Analisis Pola Pembelian Produk Makanan Menggunakan Algoritma Fp-Growth Untuk Strategi Penjualan,” IDEALIS Indones. J. Inf. Syst., vol. 7, no. 1, pp. 11–20, 2024, doi: 10.36080/idealis.v7i1.3085.
S. Mawaddah, W. J. Pranoto, and F. Faldi, “Optimasi Algoritma C4.5 Menggunakan Metode Adaboost Classification Pada Klasifikasi Nilai Mahasiswa Studi Kasus: Universitas Muhammadiyah Kalimantan Timur,” J. Sains Komput. dan Teknol. Inf., vol. 6, no. 1, pp. 83–89, 2023, doi: 10.33084/jsakti.v6i1.5458.
A. S. Biyantoro and B. Prasetiyo, “Penerapan Decision Tree untuk Klasifikasi Status Kesehatan dengan Perbandingan KNN dan Naive Bayes,” Indones. J. Inform. Res. Softw. Eng., vol. 4, no. 1, pp. 47–55, 2024.
Syahril Dwi Prasetyo, Shofa Shofiah Hilabi, and Fitri Nurapriani, “Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN,” J. KomtekInfo, vol. 10, pp. 1–7, 2023, doi: 10.35134/komtekinfo.v10i1.330.
F. Sholekhah, A. D. Putri, R. Rahmaddeni, and L. Efrizoni, “Perbandingan Algoritma Naïve Bayes dan K-Nearest Neighbors untuk Klasifikasi Metabolik Sindrom,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, pp. 507–514, 2024, doi: 10.57152/ malcom.v4i2.1249.
A. Putri et al., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 20–26, 2023, doi: 10.57152/malcom.v3i1.610.
R. T. Febianto, D. Suranti, and R. T. Alinse, “Penerapan Algoritma Adaboost Dalam Mengetahui Pola Pengguna Kb Di Puskesmas Tanjung Harapan,” J. Sci. Soc. Res., vol. 4307, no. 1, pp. 145–155, 2024, [Online]. Available: http://jurnal.goretanpena.com/ index.php/JSSR
J. Jamaludin, C. Rozikin, and A. S. Y. Irawan, “Klasifikasi Jenis Buah Mangga dengan Metode Backpropagation,” Techné J. Ilm. Elektrotek., vol. 20, no. 1, pp. 1–12, 2021, doi: 10.31358/techne.v20i1.231.
Taofik Safrudin, G. Tri Pranoto, and W. Hadikristanto, “Optimasi Algoritma K- Nearest Neighbor Berbasis Particle Swarm Optimization Untuk Meningkatkan Kebutuhan Barang,” Bull. Inf. Technol., vol. 4, no. 3, pp. 281–286, 2023, doi: 10.47065/bit.v4i3.724.
R. Gusdiana, I. Alfian, and C. Juliane, “Implementation of Text Processing for Sentiment Analysis of Tax Payment Interest After the ‘Rubicon’ Phenomenon,” J. Tek. Inform., vol. 4, no. 5, pp. 1157–1164, 2023, doi: 10.52436/1.jutif.2023.4.5.1014.
D. Musfiroh, U. Khaira, P. E. P. Utomo, and T. Suratno, “Analisis Sentimen terhadap Perkuliahan Daring di Indonesia dari Twitter Dataset Menggunakan InSet Lexicon,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 24–33, 2021, doi: 10.57152/malcom.v1i1.20.
R. Hidayat, M. Fikry, F. Yanto, and E. P. Cynthia, “Penerapan Naïve Bayes Classifier dalam Klasifikasi Sentimen Publik di Twitter terhadap Puan Maharani,” vol. 6, pp. 93–101, 2024.
How To Cite This :
Refbacks
- There are currently no refbacks.
