Klasifikasi Stunting Pada Balita Berdasarkan Status Gizi Menggunakan Pendekatan Support Vector Machine (SVM)

Adi Candra, Moh. Erkamim, Muhammad Muharrom, Edhi Prayitno

Abstract


Stunting pada balita merupakan masalah gizi serius yang berdampak pada perkembangan fisik dan kognitif anak, terutama di negara berkembang seperti Indonesia. Dengan prevalensi stunting yang masih tinggi, identifikasi dini balita yang berisiko sangat penting untuk mencegah dampak jangka panjang. Namun, metode konvensional dalam mengidentifikasi stunting sering kali kurang akurat dan memerlukan banyak sumber daya. Tujuannya penelitian ini dilakukan yaitu untuk mengklasifikasikan stunting pada balita berdasarkan status gizi melalui pembelajaran mesin dengan algoritma Support Vector Machine (SVM). Pemilihan SVM didasarkan pada keunggulannya dalam mengolah data multidimensi yang rumit serta kapabilitasnya untuk mengoptimalkan pemisahan antar kelas data dengan memaksimalkan margin. Penelitian ini juga menerapkan berbagai teknik prapemrosesan data, seperti standarisasi fitur, pengkodean variabel kategorikal, dan penghapusan data duplikat, untuk memastikan performa optimal model. Hasil penelitian mengungkapkan bahwa model SVM yang dibangun memperoleh akurasi sebesar 98,37%, menandakan kinerja yang sangat baik dalam klasifikasi status gizi balita. Temuan ini mengindikasikan bahwa SVM memiliki potensi besar untuk diaplikasikan dalam mendukung pengambilan keputusan medis dan intervensi kesehatan masyarakat, terutama dalam konteks pemantauan dan pencegahan stunting pada balita.

Keywords


Klasifikasi Stunting; Pembelajaran Mesin; Status Gizi; Support Vector Machine; SVM

Full Text:

PDF

References


M. R. Nugroho, R. N. Sasongko, and M. Kristiawan, “Faktor-Faktor yang Mempengaruhi Kejadian Stunting pada Anak Usia Dini di Indonesia,” J. Obs. J. Pendidik. Anak Usia Dini, vol. 5, no. 2, pp. 2269–2276, 2021, doi: 10.31004/obsesi.v5i2.1169.

M. E. Setiyawati, L. P. Ardhiyanti, E. N. Hamid, N. A. T. Muliarta, and Y. J. Raihanah, “Studi Literatur: Keadaan dan Penanganan Stunting di Indonesia,” IKRAITH-HUMANIORA, vol. 8, no. 2, pp. 179–186, 2022.

H. Rahman, M. Rahmah, and N. Saribulan, “Upaya Penanganan Stunting di Indonesia: Analisis Bibliometrik dan Analisis Konten,” J. Ilmu Pemerintah. Suara Khatulistiwa, vol. VIII, no. 01, pp. 44–59, 2023.

A. F. Amida, S. E. Permana, D. Pratama, K. Anam, and A. R. Rinaldi, “Prediction of Stunted Toddlers Using K-Nearest Neighbor Algorithm in Kamarang Lebak Village,” Instal J. Komput., vol. 15, no. 02, pp. 345–355, 2023.

P. Handayani, A. C. Fauzan, and H. Harliana, “Machine Learning Klasifikasi Status Gizi Balita Menggunakan Algoritma Random Forest,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 6, pp. 3064–3072, 2024, doi: 10.30865/klik.v4i6.1909.

T. Hardiani and R. N. Putri, “Implementasi Metode Naïve Bayes Classifier Untuk Klasifikasi Stunting Pada Balita,” Digit. Transform. Technol., vol. 4, no. 1, pp. 621–627, 2024.

M. Fikri, “Klasifikasi Status Stunting Pada Anak Bawah Lima Tahun Menggunakan Extreme Gradient Boosting,” Merkurius J. Ris. Sist. Inf. dan Tek. Inform., vol. 2, no. 4, pp. 173–184, 2024.

I. M. D. P. Asana and N. P. D. T. Yanti, “Sistem Klasifikasi Pengajuan Kredit Dengan Metode Support Vector Machine (SVM),” J. Sist. Cerdas, vol. 06, no. 02, pp. 123–133, 2023.

R. Sistem, K. Mahasiswa, and T. Waktu, “Penerapan Algoritma Support Vector Machine Untuk Model Prediksi Kelulusan Mahasiswa Tepat Waktu,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 2, pp. 386–392, 2021.

U. Amelia et al., “Implementasi Algoritma Support Vector Machine (SVM) Untuk Prediksi Penyakit Stroke Dengan Atribut Berpengaruh,” Sci. Student J. Information, Technol. Sci., vol. III, no. 2, pp. 254–259, 2022.

A. W. Mucholladin, F. A. Bachtiar, and M. T. Furqon, “Klasifikasi Penyakit Diabetes menggunakan Metode Support Vector Machine,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 2, pp. 622–633, 2021.

M. D. A. Rosyid and S. Subektiningsih, “Klasifikasi Tingkat Risiko Kesehatan Ibu Hamil Menggunakan Algoritma Support Vectore Machine,” Indones. J. Comput. Sci., vol. 12, no. 1, pp. 2798–2807, 2023.

R. I. Borman, R. Napianto, N. Nugroho, D. Pasha, Y. Rahmanto, and Y. E. P. Yudoutomo, “Implementation of PCA and KNN Algorithms in the Classification of Indonesian Medicinal Plants,” in International Conference on Computer Science, Information Technology and Electrical Engineering (ICOMITEE), 2021, pp. 46–50.

R. P. Pradana, “Stunting Toddler Detection,” Kaggle, 2024. https://www.kaggle.com/datasets/rendiputra/stunting-balita-detection-121k-rows/

R. I. Borman and M. Wati, “Penerapan Data Maining Dalam Klasifikasi Data Anggota Kopdit Sejahtera Bandarlampung Dengan Algoritma Naïve Bayes,” J. Ilm. Fak. Ilmu Komput., vol. 9, no. 1, pp. 25–34, 2020.

I. O. Muraina, “Ideal Dataset Splitting Ratios in Machine Learning Algorithms: General Concerns for Data Scientists and Data Analysts,” in International Mardin Artuklu Scientific Researches Conference, 2022, pp. 496–505.

C. M. Sitorus, A. Rizal, and M. Jajuli, “Prediksi Risiko Perjalanan Transportasi Online Dari Data Telematik Menggunakan Algoritma Support Vector Machine,” J. Tek. Inform. dan Sist. Inf., vol. 6, no. 2, pp. 254–265, 2020.

N. G. Ramadhan and A. Khoirunnisa, “Klasifikasi Data Malaria Menggunakan Metode Support Vector Machine,” J. Media Inform. Budidarma, vol. 5, no. 4, pp. 1580–1584, 2021, doi: 10.30865/mib.v5i4.3347.

M. Singla and K. K. Shukla, “Robust statistics-based support vector machine and its variants: a survey,” Neural Comput. Appl., vol. 32, no. 15, pp. 11173–11194, 2020, doi: 10.1007/s00521-019-04627-6.

S. S. Arifin, A. M. Siregar, A. R. Juwita, and T. Al Mudzakir, “Klasifikasi Penyakit Kanker Serviks Menggunakan Algoritma Support Vector Machine (SVM),” in Conference on Innovation and Application of Science and Technology (CIASTECH), 2021, pp. 521–528.

Y. Fernando, R. Napianto, and R. I. Borman, “Implementasi Algoritma Dempster-Shafer Theory Pada Sistem Pakar Diagnosa Penyakit Psikologis Gangguan Kontrol Impuls,” Insearch Inf. Syst. Res. J., vol. 2, no. 2, pp. 46–54, 2022.

G. Naidu, T. Zuva, and E. M. Sibanda, “A Review of Evaluation Metrics in Machine Learning Algorithms,” in Artificial Intelligence Application in Networks and Systems, 2023, pp. 15–25.

Y. Liu, Y. Li, and D. Xie, “Implications of imbalanced datasets for empirical ROC-AUC estimation in binary classification tasks,” J. Stat. Comput. Simul., vol. 94, no. 1, pp. 183–203, Jan. 2024, doi: 10.1080/00949655.2023.2238235.




DOI: http://dx.doi.org/10.22441/fifo.2024.v16i2.007

Refbacks

  • There are currently no refbacks.


Jurnal Ilmiah FIFO
Portal ISSNPrint ISSN: 2085-4315
Online ISSN: 2502-8332

Sekretariat
Fakultas Ilmu Komputer
Universitas Mercu Buana
Jl. Raya Meruya Selatan, Kembangan, Jakarta 11650
Tlp./Fax: +62215871335

http://publikasi.mercubuana.ac.id/index.php/fifo

e-mail:[email protected]

Creative Commons Licence
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Web Analytics Made Easy - StatCounter
View My Stats

 

width= width=