BUFNETSBUFNETS

Bulletin of Network Engineer and InformaticsBulletin of Network Engineer and Informatics

Studi ini bertujuan untuk menganalisis kinerja algoritma Naïve Bayes Classifier dengan membandingkan beberapa metode pemilihan fitur, yaitu pemilihan fitur berbasis Information Gain, pemilihan fitur berbasis Multicollinearity, dan kombinasi Information Gain dan Multicollinearity. Dataset yang digunakan terdiri dari 337 kasus stunting balita yang diperoleh dari Puskesmas Kintamani I dan VI. Eksperimen dilakukan menggunakan empat skenario uji: (1) Naïve Bayes Classifier tanpa pemilihan fitur, (2) Naïve Bayes Classifier dengan pemilihan fitur Information Gain, (3) Naïve Bayes Classifier dengan pemilihan fitur Multicollinearity, dan (4) Naïve Bayes Classifier dengan kombinasi Information Gain dan Multicollinearity. Hasil menunjukkan bahwa akurasi tertinggi dicapai pada skenario kombinasi (96,04%). Koefisien penentuan (R Square) sebesar 0,577 menunjukkan bahwa 57,7% variabel independen memengaruhi klasifikasi stunting, sementara 42,3% dipengaruhi faktor di luar studi ini. Kombinasi Information Gain dan Multicollinearity menghasilkan model klasifikasi yang stabil dan efektif untuk deteksi dini stunting.

Berdasarkan hasil penelitian, dapat disimpulkan bahwa metode Naïve Bayes Classifier dapat efektif digunakan untuk mengklasifikasikan status stunting balita dengan tingkat akurasi tinggi.Pemilihan fitur meningkatkan kinerja model, di mana kombinasi Information Gain dan Multicollinearity menghasilkan akurasi tertinggi (96,04%).Analisis Multicollinearity berhasil mengurangi variabel redundan, meningkatkan konsistensi dan keandalan model.Disarankan untuk penelitian lanjutan mempertimbangkan variabel sosial-ekonomi, pola konsumsi gizi, sanitasi lingkungan, dan riwayat kesehatan keluarga untuk meningkatkan kemampuan prediksi model.

Penelitian lanjutan dapat mengkaji pengaruh faktor sosial-ekonomi seperti pendapatan keluarga atau akses pendidikan terhadap prediksi stunting menggunakan metode klasifikasi lain seperti Decision Tree atau Neural Network. Selain itu, perlu dilakukan studi tentang integrasi teknik penanganan ketidakseimbangan data (misalnya SMOTE) untuk meningkatkan akurasi klasifikasi pada dataset stunting yang tidak seimbang. Terakhir, penelitian dapat mengeksplorasi kombinasi metode seleksi fitur lain, seperti ReliefF atau LASSO, untuk membandingkan efektivitasnya dengan pendekatan Information Gain dan Multicollinearity dalam konteks klasifikasi stunting.

  1. Implementation Of Naïve Bayes Classifier And Support Vector Machine For Stunting Classification... doi.org/10.33022/ijcs.v13i4.4040Implementation Of Nayve Bayes Classifier And Support Vector Machine For Stunting Classification doi 10 33022 ijcs v13i4 4040
  2. The Effect of the SMOTE Method on the Classification of Toddler Nutritional Status Using the Naïve... jurnal.atmaluhur.ac.id/index.php/sisfokom/article/view/2381The Effect of the SMOTE Method on the Classification of Toddler Nutritional Status Using the Nayve jurnal atmaluhur ac index php sisfokom article view 2381
  3. PERFORMANCE ANALYSIS OF NAÏVE BAYES CLASSIFIERS BASED ON THE INFORMATION GAIN-BASED FEATURE SELECTION... doi.org/10.59688/732114PERFORMANCE ANALYSIS OF NAyaVE BAYES CLASSIFIERS BASED ON THE INFORMATION GAIN BASED FEATURE SELECTION doi 10 59688 732114
Read online
File size767.86 KB
Pages10
DMCAReport

Related /

ads-block-test