IMPLEMENTASI METODE SVM UNTUK KLASIFIKASI PENYAKIT STUNTING BAYI

Tita Risa Dewanti; Rastri Prathivi; Susanto Susanto

doi:10.51401/jinteks.v7i1.5070

Authors

Tita Risa Dewanti Universitas Semarang
Rastri Prathivi Universitas Semarang
Susanto Susanto Universitas Semarang

DOI:

https://doi.org/10.51401/jinteks.v7i1.5070

Keywords:

Stunting, Support Vector Machine, Kesehatan Anak, Pembelajaran Mesin

Abstract

Penelitian ini bertujuan untuk mengembangkan model klasifikasi berbasis Support Vector Machine (SVM) guna mendeteksi kasus stunting pada bayi dengan tingkat akurasi yang tinggi. Stunting adalah gangguan pertumbuhan kronis akibat kekurangan gizi yang berkepanjangan, ditandai dengan tinggi badan yang tidak memenuhi standar Organisasi Kesehatan Dunia (WHO). Penelitian ini menggunakan dataset besar berjumlah 120.999 data dengan atribut umur, jenis kelamin, tinggi badan, dan status gizi. Data melalui tahap preprocessing, termasuk encoding data kategori dan pembagian data menjadi set pelatihan (80%) dan pengujian (20%). Model dilatih menggunakan kernel Radial Basis Function (RBF) dan Linear, dengan evaluasi melalui metrik akurasi dan confusion matrix. Hasil penelitian menunjukkan bahwa kernel RBF menghasilkan akurasi yang lebih tinggi, yaitu 95,26%, dibandingkan kernel Linear yang hanya mencapai 78,67%. Penelitian ini memberikan kontribusi dalam upaya deteksi dini stunting untuk membantu pemerintah dan tenaga kesehatan di Indonesia, sekaligus menjadi landasan untuk pengembangan lebih lanjut dalam klasifikasi berbasis pembelajaran mesin di bidang kesehatan.

References

N. Rusliani, W. R. Hidayani, and H. Sulistyoningsih, “Literature Review: Faktor-Faktor yang Berhubungan dengan Kejadian Stunting pada Balita,” Buletin Ilmu Kebidanan dan Keperawatan, vol. 1, no. 01, pp. 32–40, Aug. 2022, doi: 10.56741/bikk.v1i01.39.

J. Aurima, S. Susaldi, N. Agustina, A. Masturoh, R. Rahmawati, and M. Tresiana Monika Madhe, “Faktor-Faktor yang Berhubungan dengan Kejadian Stunting pada Balita di Indonesia,” Open Access Jakarta Journal of Health Sciences, vol. 1, no. 2, pp. 43–48, Nov. 2021, doi: 10.53801/oajjhs.v1i3.23.

Y. Yusriadi, S. Sugiharti, Y. M. Ginting, G. Sandra, and A. Zarina, “PREVENTING STUNTING IN RURAL INDONESIA: A COMMUNITY-BASED PERSPECTIVE,” African Journal of Food, Agriculture, Nutrition and Development, vol. 24, no. 9, pp. 24470–24491, 2024, doi: 10.18697/ajfand.134.24820.

J. Arifa, H. Remaopdea Putri, T. Anggraini, Y. Indrasoni, M. Elvira, and U. Negeri Padang, “Penyebab Utama Stunting: Faktor Gizi dan Sosial Ekonomi (Studi Kasus Nagari Garagahan) 1,” TEKNOVOKASI: Jurnal Pengabdian Masyarakat, vol. 2, no. 3, 2024, [Online]. Available: http://journal.unm.ac.id/index.php/TEKNOVOKASIhttp://journal.unm.ac.id/index.php/TEKNOVOKASI

A. Subayu, “PENERAPAN METODE K-MEANS UNTUK ANALISIS STUNTING GIZI PADA BALITA: SYSTEMATIC REVIEW,” Jurnal Sains, Nalar, dan Aplikasi Teknologi Informasi, vol. 2, no. 1, Sep. 2022, doi: 10.20885/snati.v2i1.18.

S. D. Wahyuni and R. H. Kusumodestoni, “Optimalisasi Algoritma Support Vector Machine (SVM) Dalam Klasifikasi Kejadian Data Stunting,” Bulletin of Information Technology (BIT), vol. 5, no. 2, pp. 56–64, 2024, doi: 10.47065/bit.v5i2.1247.

L. Saiman and R. Satra, “Analisis performa metode Support Vector Machine untuk klasifikasi dataset aroma tahu berformalin,” Indonesian Journal of Data and Science (IJODAS), vol. 2, no. 2, pp. 50–61, 2021.

H. Apriyani, “Perbandingan Metode Naïve Bayes Dan Support Vector Machine Dalam Klasifikasi Penyakit Diabetes Melitus,” 2020. [Online]. Available: https://journal-computing.org/index.php/journal-ita/index

J. KUSUMA, B. H. HAYADI, W. WANAYUMINI, and R. ROSNELLY, “Komparasi Metode Multi Layer Perceptron (MLP) dan Support Vector Machine (SVM) untuk Klasifikasi Kanker Payudara,” MIND Journal, vol. 7, no. 1, pp. 51–60, Jun. 2022, doi: 10.26760/mindjournal.v7i1.51-60.

J. Mase, M. T. Furqon, and B. Rahayudi, “Penerapan Algoritme Support Vector Machine (SVM) Pada Pengklasifikasian Penyakit Kucing,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 10, pp. 3648–3654, 2018, [Online]. Available: http://j-ptiik.ub.ac.id

I. Rahmi, M. Susanti, H. Yozza, and F. Wulandari, “CLASSIFICATION OF STUNTING IN CHILDREN UNDER FIVE YEARS IN PADANG CITY USING SUPPORT VECTOR MACHINE,” BAREKENG: Jurnal Ilmu Matematika dan Terapan, vol. 16, no. 3, pp. 771–778, Sep. 2022, doi: 10.30598/barekengvol16iss3pp771-778.

N. F. Sahamony, T. Terttiaavini, and H. Rianto, “Analisis Perbandingan Kinerja Model Machine Learning untuk Memprediksi Risiko Stunting pada Pertumbuhan Anak,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 2, pp. 413–422, Feb. 2024, doi: 10.57152/malcom.v4i2.1210.

A. I. Putri, Y. Syarif, P. Jayadi, F. Arrazak, and F. N. Salisah, “Implementasi Algoritma Decision Tree dan Support Vector Machine (SVM) untuk Prediksi Risiko Stunting pada Keluarga,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 349–357, Feb. 2024, doi: 10.57152/malcom.v3i2.1228.

S. Widodo, A. Sulistiyanti, A. Yuliana, and A. P. Tinggi, “Implementation of the Support Vector Machine Method for Early Detection of Stunting Based on Anthropometric Features,” 2024.

Rina, “Memahami Confusion Matrix: Accuracy, Precision, Recall, Specificity, dan F1-Score untuk Evaluasi Model Klasifikasi.” Accessed: Nov. 29, 2024. [Online]. Available: https://esairina.medium.com/memahami-confusion-matrix-accuracy-precision-recall-specificity-dan-f1-score-610d4f0db7cf