Detail Cantuman

Kesehatan dan status gizi balita merupakan salah satu tolak ukur yang dapat mencerminkan keadaan gizi masyarakat luas. Pola pengasuhan anak di masyarakat pada umumya lebih mengutamakan anak balita. Gizi kurang pada balita tidak terjadi secara tiba-tiba, tetapi diawali dengan keterbatasan kenaikan berat badan yang tidak cukup. Perubahan berat badan balita dari waktu kewaktu merupakan petunjuk awal perubahan status gizi balita. Tujuan dari penelitian ini adalah menggunakan algoritma pengklasifikasi Naive Bayes untuk mengetahui seberapa baik akurasi dengan membagi dataset menjadi dua, pelatihan dan pengujian. Data pengujian merupakan representasi status gizi balita yang terdiri dari lima kelas, yaitu gizi baik, gizi kurang, gizi lebih, obesitas, dan risiko gizi lebih. Data pelatihan merupakan kriteria penentu yang menjadi dasar klasifikasi dalam menentukan kelas status gizi balita dalam kasus penelitian ini. Ini termasuk usia balita (bulan), berat badan balita (kg), dan tinggi balita (cm). Perumusan Masalah dalam penelitian ini adalah bagaimana melakukan klasifikasi data mining untuk Menentukan status gizi balita dan bagaimana hasil evaluasinya dari model klasifikasi. Penelitian ini menggunakan algoritma Naive Bayes Classifier dengan Metodologi KDD untuk mengklasifikasikan status gizi balita dan menggunakan confusion matriks untuk menentukan akurasi, presisi, recall dan nilai skor f1-score dari model klasifikasi dan kemudian modelnya diimplementasikan ke dalam GUI. Hasil analisis menggunakan perbandingan partisi model 70:30 sebelum Tomek-Links menghasilkan akurasi sebesar 88%, Precision 95%, recall 93%, nilai f1-score sebesar 94%. Sedangkan partisi model 70:30 dengan menggunakan Tomek-Links akurasi sebesar 90%, Precision 96%, recall 93%, nilai f1-score sebesar 95%. Hasil evaluasi dari 2 model Skenario dalam penelitian ini menyatakan bahwa Pembagian 70:30 dengan Tomek-Links menghasilkan akurasi lebih baik kinerjannya jika di bandingkan dengan pembagian 70:30 sebelum Tomek-Links.