UBHINUSUBHINUS

SMATIKA JURNALSMATIKA JURNAL

Gizi buruk menjadi masalah serius di negara-negara berkembang, disebabkan oleh kekurangan asupan makanan yang mengandung zat-zat esensial seperti protein dan energi. Implementasi algoritma machine learning dapat memberikan diagnosis yang akurat terhadap kondisi kesehatan gizi buruk pada balita, memfasilitasi deteksi dini dan intervensi yang tepat. Tujuan penelitian ini untuk mengetahui kinerja algoritma K-Nearest Neighbors (KNN) dalam memprediksi gizi buruk berdasarkan ciri klinis yang dimiliki oleh balita. Data yang digunakan adalah ciri-ciri klinis dari gizi buruk yang bersumber dari seorang nutrisionis. Dari hasil penelitian, nilai akurasi yang paling optimal dalam memprediksi gizi buruk adalah 87%. Dengan dataset yang ada dapat dibuktikan bahwa algoritma K-Nearest Neighbors (KNN) mampu mengklasifikasikan gizi buruk kedalam 2 kondisi, yaitu marasmus dan kwashiorkor.

Penelitian menggunakan algoritma K-Nearest Neighbors (KNN) menunjukkan kemampuan mengklasifikasikan gizi buruk menjadi dua kondisi, yaitu marasmus dan kwashiorkor.Saran penelitian lanjutan mencakup peningkatan kualitas dan kuantitas dataset untuk meningkatkan akurasi prediksi.

Penelitian lanjutan dapat menggali efektivitas algoritma lain seperti Random Forest atau Deep Learning dalam klasifikasi gizi buruk, mengintegrasikan data geografis atau kondisi sosial-ekonomi ibu sebagai variabel prediktor, serta mengembangkan metode pengurangan dimensi fitur untuk meningkatkan efisiensi model machine learning.

  1. Sistem Pakar Diagnosa Kelainan Stunting Balita Menggunakan Metode KNN Berbasis Web | Jurnal Indonesia... doi.org/10.35870/jimik.v5i1.587Sistem Pakar Diagnosa Kelainan Stunting Balita Menggunakan Metode KNN Berbasis Web Jurnal Indonesia doi 10 35870 jimik v5i1 587
  2. Klasifikasi Status Stunting Pada Balita Menggunakan K-Nearest Neighbor Dengan Feature Selection Backward... doi.org/10.30865/mib.v6i1.3312Klasifikasi Status Stunting Pada Balita Menggunakan K Nearest Neighbor Dengan Feature Selection Backward doi 10 30865 mib v6i1 3312
  3. Upaya Pencegahan Risiko Gizi Buruk pada Balita: Literature Review | Lestari | Jurnal Ilmiah Universitas... ji.unbari.ac.id/index.php/ilmiah/article/view/1828Upaya Pencegahan Risiko Gizi Buruk pada Balita Literature Review Lestari Jurnal Ilmiah Universitas ji unbari ac index php ilmiah article view 1828
  4. SISTEM PAKAR DETEKSI GIZI BURUK BALITA DENGAN METODE NAÏVE BAYES CLASSIFIER | Sinaga | Jurnal Inkofar.... doi.org/10.46846/jurnalinkofar.v1i2.110SISTEM PAKAR DETEKSI GIZI BURUK BALITA DENGAN METODE NAyaVE BAYES CLASSIFIER Sinaga Jurnal Inkofar doi 10 46846 jurnalinkofar v1i2 110
  5. Sistem Pakar Diagnosis Penyakit Gizi Buruk Pada Balita Menggunakan Metode Naïve Bayes Berbasis Website... jurnal.itscience.org/index.php/digitech/article/view/3074Sistem Pakar Diagnosis Penyakit Gizi Buruk Pada Balita Menggunakan Metode Nayve Bayes Berbasis Website jurnal itscience index php digitech article view 3074
  1. #gizi buruk#gizi buruk
  2. #buruk data#buruk data
Read online
File size476.14 KB
Pages11
Short Linkhttps://juris.id/p-2We
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test