Publisher

IRPIIRPI

Journal MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science Abstract

Stunting merupakan sesuatu yang berbahaya pada manusia karena dapat menyebabkan terjadinya hambatan pertumbuhan serta perkembangan organ lainnya termasuk otak, jantung dan ginjal. Meningkatnya kasus stunting pada balita memerlukan suatu upaya dalam penanganan dan pencegahan secara dini. Terdapat 17 atribut pada data stunting yang harus diperhatikan, dengan banyaknya atribut tersebut menyebabkan sulitnya menemukan atribut yang paling berpengaruh dalam memprediksi stunting. Pada penelitian ini diterapkan seleksi fitur menggunakan Chi Square dan menerapkan Algoritma Naïve Bayes untuk menemukan atribut yang harus diprioritaskan dalam memprediksi stunting. Hasil prediksi dengan menggunakan Naive bayes saja pada penelitian ini didapatkan nilai akurasi sebesar 94,3 %, nilai recall sebesar 93,9 % dan nilai precision sebesar 93,93% dengan waktu 0,07 detik. Sedangkan dengan menerapkan seleksi fitur Chi square pada penelitian ini diperoleh 5 atribut yang paling berpengaruh terhadap prediksi stunting yang dapat meningkatkan kecepatan pembentukan model Algoritma Naive Bayes dengan waktu 0,01 detik, namun tidak dapat meningkatkan akurasi, recall dan presisi. Harapannya instansi terkait dapat lebih memperhatikan dan memprioritaskan ke-5 atribut tersebut sebagai pemantauan prediksi stunting di Kota Dumai.

Conclusion

Penelitian menunjukkan bahwa penerapan seleksi fitur Chi‑Square pada prediksi stunting dapat mempercepat pembentukan model algoritma Naïve Bayes, namun tidak meningkatkan akurasi, recall, atau presisi, dengan nilai akurasi terbaik 94,3 % pada model tanpa seleksi fitur.Seleksi fitur berhasil mengurangi 14 atribut menjadi 5 atribut paling berpengaruh, yaitu Keluarga Pra Sejahtera, tidak mempunyai rumah layak huni, pendidikan terakhir ibu di bawah SLTP, istri terlalu tua (>75 tahun), dan terlalu banyak anak (≥3).Diharapkan instansi terkait memperhatikan dan memprioritaskan kelima atribut tersebut untuk monitoring stunting di Kota Dumai.

Future Research

Penelitian selanjutnya dapat mengeksplorasi penggunaan teknik seleksi fitur alternatif, seperti mutual information atau recursive feature elimination, untuk mengidentifikasi kombinasi atribut yang lebih optimal dalam meningkatkan akurasi prediksi stunting. Selanjutnya, studi dapat menguji kinerja ensemble classifier, misalnya Random Forest atau Gradient Boosting, yang menggabungkan prediksi Naïve Bayes dengan algoritma lain, guna meningkatkan robustitas dan kemampuan generalisasi model pada dataset berimbang maupun tidak berimbang. Terakhir, dilakukan penelitian longitudinal yang memanfaatkan data time‑series dari keluarga selama beberapa tahun untuk memodelkan dinamika risiko stunting secara temporal, sehingga memungkinkan pengembangan sistem early‑warning yang lebih tepat waktu dan berbasis tren perubahan faktor‑faktor risiko.

References

1. Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes | Annur | ILKOM Jurnal Ilmiah. klasifikasi... doi.org/10.33096/ilkom.v10i2.303.160-165Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes Annur ILKOM Jurnal Ilmiah klasifikasi doi 10 33096 ilkom v10i2 303 160 165
2. Analisis Sentimen Terhadap Implementasi Program Merdeka Belajar Kampus Merdeka Menggunakan Naïve... doi.org/10.30865/mib.v6i2.3554Analisis Sentimen Terhadap Implementasi Program Merdeka Belajar Kampus Merdeka Menggunakan NayEAve doi 10 30865 mib v6i2 3554
3. Recent Advances in Supervised Dimension Reduction: A Survey. recent advances supervised dimension reduction... mdpi.com/2504-4990/1/1/20Recent Advances in Supervised Dimension Reduction A Survey recent advances supervised dimension reduction mdpi 2504 4990 1 1 20
4. Dimension reduction methods for microarray data: a review. dimension reduction methods microarray data... doi.org/10.3934/bioeng.2017.1.179Dimension reduction methods for microarray data a review dimension reduction methods microarray data doi 10 3934 bioeng 2017 1 179

Subjects

1. #simple additive weighting#simple additive weighting
2. #rancang bangun sistem#rancang bangun sistem

Metadata

File size	343.75 KB
Pages	9
DMCA	ReportReport