UKRIUKRI

Journal Data Science, Technology, Informatics and SecurityJournal Data Science, Technology, Informatics and Security

Pertumbuhan dan perkembangan merupakan indikator penting dalam kehidupan manusia, yang menunjukkan tingkat kesehatan seseorang dan bervariasi antar individu. Salah satu langkah strategis dalam meningkatkan kualitas kesehatan, khususnya pada anak usia dini, adalah melalui pengelolaan status gizi. Status gizi mencerminkan keseimbangan antara asupan nutrisi dan kebutuhan tubuh, yang berperan dalam menjaga imunitas dan menunjang pertumbuhan optimal. Di tingkat layanan kesehatan masyarakat seperti Posyandu, status gizi balita biasanya ditentukan melalui metode antropometri dengan pendekatan berat badan menurut umur (BB/U). Meski demikian, proses pengukuran secara manual sering kali menghadirkan inkonsistensi, baik dari sisi teknis maupun interpretasi hasil. Untuk mengatasi permasalahan tersebut, penelitian ini mengadopsi pendekatan data mining dengan memanfaatkan algoritma Naïve Bayes Classification (NBC) dalam upaya meningkatkan akurasi klasifikasi status gizi.

Penelitian ini berhasil membuktikan bahwa algoritma Naïve Bayes dapat digunakan secara efektif untuk mengklasifikasikan status gizi balita berdasarkan atribut jenis kelamin, usia, berat badan, dan tinggi badan.Dengan melakukan tahapan mulai dari pengumpulan, pembersihan, hingga transformasi data dan pelatihan model menggunakan RapidMiner, diperoleh akurasi klasifikasi sebesar 95,77%.Hasil ini menunjukkan bahwa pendekatan data mining sederhana seperti Naïve Bayes mampu memberikan hasil yang akurat dan dapat membantu dalam pengambilan keputusan awal dalam pemantauan gizi balita di posyandu.Meskipun demikian, penelitian ini memiliki keterbatasan pada jumlah data yang relatif sedikit dan variabel yang masih terbatas pada antropometri dasar.Oleh karena itu, disarankan agar penelitian selanjutnya menggunakan dataset yang lebih besar dan beragam, serta mempertimbangkan faktor tambahan seperti pola konsumsi, kondisi lingkungan, atau riwayat kesehatan.

Penelitian lanjutan dapat fokus pada pengembangan model prediksi dengan dataset yang lebih besar dan beragam untuk meningkatkan generalisasi hasil. Selain itu, faktor-faktor eksternal seperti pola konsumsi nutrisi, kondisi lingkungan, dan riwayat kesehatan sebelumnya perlu dimasukkan sebagai variabel tambahan untuk memperkaya analisis. Pengujian algoritma klasifikasi alternatif seperti Decision Tree atau Random Forest juga dapat dilakukan untuk membandingkan efektivitas metode berbeda dalam konteks klasifikasi status gizi balita.

Read online
File size654.58 KB
Pages11
DMCAReport

Related /

ads-block-test