METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
PENERAPAN ALGORITMA DECISION TREE.
SVM.
NAyaVE BAYES DALAM DETEKSI STUNTING PADA BALITA 1Kharis Hudaiby Hanif A , 2Novita Ranti Muntiari Teknik Komputer.
Universitas Borneo Tarakan.
Tarakan.
Indonesia Sistem Informasi.
Politeknik Bisnis Kaltara.
Tarakan.
Indonesia Email: hudaiby21@borneo.
DOI: https://doi.
org/10.
46880/jmika.
Vol8No1.
ABSTRACT
Stunting is a toddler's body condition that is short according to body length according to age (PB/U).
O 2 Standard Deviations (SD), with a z-score between -3 standard deviations (SD).
Where checking the stunting status of toddlers takes quite a long time because it is done manually and is also prone to errors.
Therefore, it is hoped that a system can classify toddler examination data quickly and accurately to predict children's stunting status.
Building a system that uses an algorithm to classify the stunting status of toddlers using decision tree, nayve bayes, and SVM.
With what level of accuracy is the best of the 3 algorithms? Results from testing with 30% testing data and 70% training data using an algorithm decision tree, nayve bayes, and SVM.
Accuracy level test results decision tree by 99%, nayve bayes of 48%, and SVM of 95%.
So, the algorithm with the highest level of accuracy is decision tree amounts to 99%.
Wallet hire decision tree better for detecting stunting in toddlers.
Keyword: Stunting.
SVM.
Decision Tree.
Nayve Bayes.
ABSTRAK
Stunting adalah kondisi tubuh balita yang pendek menurut panjang badan menurut umur (PB/U).
O 2 Standar Deviasi (SD), dengan z-score antara -3 standar deviasi (SD).
Dimana pemeriksaan status stunting balita memerlukan waktu yang cukup lama karena dilakukan secara manual dan juga rentan terhadap kesalahan.
Oleh karena itu, diharapkan sebuah sistem yang dapat mengklasifikasikan data pemeriksaan balita dengan cepat dan akurat untuk memprediksi status stunting anak.
Membangun sistem yang menggunakan algoritma untuk mengklasifikasikan status stunting balita menggunakan decision tree, nayve bayes, dan SVM.
Dengan tingkat akurasi mana yang paling baik dari 3 algoritma tersebut.
Hasil dari pengujian dengan data testing 30 % dan data training 70 % menggunakan algoritma decision tree, nayve bayes, dan SVM.
Hasil uji tingkat akurasi decision tree sebesar 99%, nayve bayes sebesar 48%, dan SVM sebesar 95%.
Jadi, algoritma yang tingkat akurasi paling tinggi yaitu decision tree sebesar 99%.
Maka algotitma decision tree lebih baik untuk deteksi stunting pada balita.
Kata Kunci: Stunting.
SVM.
Decision Tree.
Nayve Bayes.
PENDAHULUAN
Stunting gangguan kesehatan yang disebabkan oleh kekurangan atau ketidakselimbangan zat gizi yang diperlukan untuk pertumbuhan, aktivitas berpikir, dan semula hal-hal penting lainnya dalam kehidupan (Tinendung & Zufria, 2.
Stunting adalah kondisi tubuh balita yang pendek menurut panjang badan menurut umur (PB/U), dengan z-score antara -3 standar deviasi (SD) dan O 2 Standar Deviasi (SD) (Makmur, et al.
, 2.
Beberapa faktor dapat menyebabkan stunting, seperti praktik pengasuhan yang buruk, pemahaman ibu kurang tentang kesehatan dan nutrisi, layanan kesehatan terbatasnya, kurangnya akses keluarga ke makanan bergizi, dan kurangnya akses ke air bersih dan sanitasi (TNP2K, 2.
Dimana pemeriksaan status stunting balita memerlukan waktu yang cukup lama karena dilakukan secara manual dan juga rentan terhadap kesalahan.
Diharapkan mengklasifikasikan data pemeriksaan balita dengan cepat dan akurat untuk mendeteksi anak balita termasuk katagori stunting atau tidak.
Machine learning juga dikenal sebagai penambangan data, proses penggalian data untuk menggunakan pola dan hubungan (Fauzan et al.
, 2.
Metode pengkategorian yaitu klasifikasi untuk mengidentifikasi kelas data (Andiani et al.
, 2.
Tujuan utama klasifikasi adalah memprediksi label Proses klasifikasi terdiri dari dua tahap.
Pembelajaran adalah algoritma klasifikasi digunakan Halaman 105 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
untuk menganalisa data, klasifikasi menggunakan uji data untuk memprediksi ketepatan klasifikasi.
(Lonang & Normawati, 2.
Algoritma dalam Machine learning antara lain naural network, k-nearest, dan sebagainya.
Penelitian ini menggunakan SVM, nayve bayes dan decision tree.
Algoritma decision tree adalah metode klasifikasi data berbasis pohon, algoritma seringkali terlalu sesuai dengan data dan dapat ditingkatkan kembali (Kristanto et al.
, 2.
Nayve bayes karena memiliki kemampuan untuk meningkatkan akurasi menggunakan jumlah data pelatihan yang minimal (Zeniarja et al.
, 2.
Algoritma Support Vector Machine (SVM) memungkinkan penyelesaian masalah keputusan, terutama dalam kasus sampel data yang kecil (Lonang & Normawati, 2.
Peneliti terdahulu menurut Makmur Mulyono, dkk (Makmur et al.
, 2.
dengan judul AuKlasifikasi Status Stunting Balita Menggunakan Metode Nayve Bayes Gaussian Berbasis Web Au digunakan untuk klasifikasi status stunting balita.
Hasil pengujian menunjukkan bahwa tipe data numerik untuk atribut usia, berat badan, tinggi badan, dan nominal jenis kelamin.
Inisiasi Menyusui Dini (IMD), memiliki akurasi tertinggi pada perbandingan data 80:20, atau 80,34%, dengan 1172 data total.
Kesimpulan maka penelitian akan membuat sistem mengklasifikasi stunting balita dengan algoritma decision tree, nayve bayes, dan SVM.
Dengan tingkat akurasi mana yang paling baik dari 3 algoritma
METODE PENELITIAN
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Berdasarkan Gambar 1 alur penelitian terdiri dari pengumpulan data, pengolahan data, klasifikasi hingga evaluasi.
Pengumpulan Data Data diperoleh dari Kaggle Stunting Toddler (Balit.
oleh Eduardo dAoanjour.
File didapat ekstensi csv dengan jumlah data 120.
999 dengan data balita 684 dan tidak stunting 87.
Memiliki 4 atribut yaitu umur .
, jenis kelamin, tinggi badan .
, dan status gizi.
Atribut ditunjukkan pada Tabel 1.
Tabel 1 Dataset Atribut Nama Atribut Keterangan Umur .
Umur balita .
-59bula.
Jenis Kelamin Laki-laki.
Perempuan Tinggi Badan Tinggi badan balita .
Status Gizi severely stunted: 0, stunted: 1, normal: 2, tinggi: 3 Preprocessing Preprocessing proses penting karena data yang dikumpulkan tidak lengkap atau tidak konsisten (Lonang & Normawati, 2.
Selanjutnya proses dapat dimulai karena data status gizi balita pemeriksaan digunakan konsisten.
Transformasi Data Tujuan dari proses transformasi adalah untuk mengubah data yang memiliki Untuk membuat implementasi mudah, nilai kategori diubah menjadi data bernilai angka.
(Nikmatun & Waspada, 2.
Jenis kelamin dan status gizi adalah dua atribut yang akan di transformasi.
Jenis kelamin 0 perempuan akan diberi nilai 1.
Data tinggi badan dibandingkan dengan umur .
terbagi menjadi empat kategori: severely stunted, stunted, normal, tinggi lebih.
Nilai-nilai ini akan diubah menjadi 0,1,2,3.
Transformasi Data ditunjukkanpada Tabel 2.
Tabel 2 Hasil Transformasi Jenis Kelamin Status Gizi Gambar 1.
Alur Penelitian Halaman 106 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
Klasifikasi Dalam klasifikasi di machine learning dibagi menjadi dua bagian.
Melatih model klasifikasi digunakan data latih, dan data uji digunakan untuk uji (Muntiari et al.
, 2.
70 % data digunakan untuk klasifikasi, dan 30% data digunakan untuk pengujian ditunjukkan pada Gambar 2.
Gambar 2.
Klasifikasi Decision Tree Decision tree dibentuk dengan menggunakan pohon keputusan, yang merupakan salah satu pendekatan yang paling umum.
Decision tree diklasifikasikan sebagai pohon yang terdiri dari node yang membentuk akar dan tidak memiliki input.
Node internal atau node pengujian adalah node lain yang bukan root tetapi memiliki salah satu inputnya.
Node lainnya disebut daun.
Target tepat dari setiap kelas diwakili oleh daun (Muntiari & Hanif, 2.
Nayve Bayes Naive bayes memanfaatkan teorema bayes kemungkinan masa depan berdasarkan data atau pengalaman sebelumnya.
Menurut korelasi hipotesis, bukti klasifikasi, dan hubungan naive bayes dengan klasifikasi, teorema bayes menggambarkan label kelas menjadi sasaran pemetaan.
Karakteristik yang digunakan dalam proses klasifikasi (Ginantra et al.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Confusion Matrix Tabel 3.
Confusion Matrix Prediction Class Tabel 3 menunjukkan confusion matrix yang digunakan sebagai pengukuran kinerja parameter algoritma yaitu fl-measure, recall, akurasi, dan presisi.
Rumus untuk menghitung precision.
ditunjukkan dalam Persamaan .
Persamaan .
rumus menghitung recall, di mana recall.
merupakan parameter untuk mengukur ketepatan suatu algoritma, dan Persamaan .
rumus menghitung F.
Rumus untuk mengukur ketepatan menggunakan persamaan .
Nilai tertinggi Salah satu perhitungan yang sering digunakan untuk mengevaluasi kinerja sebuah algoritma adalah akurasi, yang dihitung dengan membandingkan rasio jumlah data yang diprediksi secara akurat oleh algoritma dengan jumlah total data yang ada dalam dataset.
ycNycE
Precision = ycNycE yaycE
ycNycE
Recall = ycNycE yaycA
F-measure = Accuracy = 2 y ycyycyceycaycnycycnycuycu y ycyceycaycaycoyco
ycyycyceycaycnycycnycuycu y ycyceycaycaycoyco
ycNycE ycNycA
ycNycE ycNycA yaycE yaycA
HASIL DAN PEMBAHASAN
Pengujian menggunakan data dengan jumlah 999 dengan data balita stunting 13.
stunting parah 19.
869, tinggi 19.
560, dan normal 755 dan tidak stunting 87.
Persentase data ditunjukkan pada Gambar 3.
SVM
Metode klasifikasi vektorisasi instruksional diperkenalkan oleh Vapnik 1995 adalah Support Vector Machine (SVM).
Pengklasifikasi diskriminan digunakan untuk menemukan hyperplane yang ideal berdasarkan maksimalisasi margin.
Digunakan biasanya untuk data terpisah linier dan non-linier (Muntiari et al.
, 2.
Gambar 3.
Data Uji Halaman 107 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Berdasarkan data uji diatas klasifikasi data, data testing 30 % dan training 70 %.
Dilakukan penggujian menggunakan decision tree.
SVM, dan nayve bayes.
Gambar 4.
Hasil Uji Decision Tree Gambar 7.
Confusion Matrix Nayve Bayes Hasil uji yang ditunjukkan pada Gambar 4 algoritma decision tree hasil akurasi rata-rata sebesar 99%, recall 100%, precison 100%, dan f1-score 100%.
Gambar 7 menjelaskan confusion matrix pada algoritma nayve bayes.
Gambar 6.
Hasil Uji SVM Hasil uji yang ditunjukkan pada Gambar 8 algoritma SVM hasil akurasi rata-rata sebesar 95%, recall 92%, precison 93%, dan f1-score 93%.
Gambar 5.
Confusion Matrix Decision Tree Gambar 5 menjelaskan confusion matrix pada algoritma decision tree.
Hasil uji yang ditunjukkan pada Gambar 6 algoritma nayve bayes hasil akurasi rata-rata akurasi 48%, recall sebesar 35%, precison 30%, dan f1-score Gambar 1.
Confusion Matrix SVM Gambar 6.
Hasil Uji Nayve Bayes Gambar 9 menjelaskan confusion matrix pada algoritma SVM.
Berdasarkan hasil uji dari 3 algoritma decision tree, nayve bayes, dan SVM.
Perbandingan hasil algoritma ditunjukkan pada Tabel 4.
Halaman 108 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
8 No.
1 (April 2.
Tabel 4.
Perbandingan Algoritma Algoritma Tingkat Akurasi (%) Decision tree Nayve bayes SVM Hasil perbandingan pada Tabel 4 ditunjukkan Gambar 10.
Gambar 10.
Grafik Perbandingan Algoritma Seperti yang ditunjukkan dalam Tabel 4, ada hasil perbandingan akurasi dari algoritma decision tree, nayve bayes, dan SVM.
Algoritma decision tree menunjukkan tingkat akurasi tertinggi, yaitu 99%, sehingga dapat disimpulkan bahwa menggunakan algoritma ini lebih baik untuk deteksi stunting pada KESIMPULAN Hasil dari pengujian dengan data testing 30 % dan data training 70 % menggunakan algoritma decision tree, nayve bayes, dan SVM.
Hasil uji tingkat akurasi decision tree 99%.
SVM 95%, nayve bayes 48%, dan.
Jadi, algoritma yang tingkat akurasi paling tinggi yaitu decision tree 99%.
Maka algotitma
decision tree lebih baik untuk deteksi stunting pada DAFTAR PUSTAKA