818
Progresif: Jurnal Ilmiah Komputer Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat Ae Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 p-ISSN: 0216-3284 Implementasi Machine Learning Menggunakan Adaboost dalam Prediksi Status Gizi Anak di Posyandu Tanjung XXIV Annisa Maulana Majid1*.
Ismasari Nawangsih2 Teknik Informatika.
Universitas Pelita Bangsa.
Bekasi.
Indonesia *e-mail Corresponding Author: annisa.
maulanamajid@pelitabangsa.
Abstract Nutritional status is important for children's growth and development, as well as for measuring nutritional adequacy.
Posyandu Tanjung XXIV is a facility for routinely recording children's growth and development, but it still uses manual processes to determine nutritional status so it is not yet Data processing is needed to help predict children's nutritional status.
Machine Learning is used for data processing and predicting data based on algorithmic patterns.
Previous research related to nutritional status using Machine Learning has been carried out but resulted in a small level of accuracy in the Nayve Bayes algorithm, so accuracy needs to be increased.
This research aims to implement Machine Learning using Nayve Bayes combined with the Adaboost method to increase the accuracy of the Posyandu Tanjung XXIV toddler dataset.
The research uses variable dataWeight by Age.
Height by Age.
Weight by Height.
The results of the research show that the implementation of Nayve Bayes using Adaboost increases accuracy with results of 100% accuracy, an increase of 6.
67% from the implementation of Nayve Bayes independently with results of 93.
Keywords: Nutritional status.
Machine Learning.
Naive Bayes.
Adaboost Abstrak Status Gizi hal yang penting bagi pertumbuhan dan perkembangan anak, serta untuk mengukur kecukupan zat gizi.
Posyandu Tanjung XXIV merupakan fasilitas untuk mendata pertumbuhan dan perkembangan anak secara rutin, namun masih menggunakan proses manual untuk menentukan status gizi sehingga belum efektif.
Perlu pengolahan data untuk membantu memprediksi status gizi anak.
Machine Learning digunakan untuk pengolahan data serta memprediksi data berdasarkan pola algoritma.
Penelitian sebelumnya terkait status gizi menggunakan Machine Learning sudah dilakukan namun menghasilkan tingkat akurasi kecil pada algoritma Nayve Bayes, sehingga perlu peningkatan akurasi.
Penelitian ini bertujuan untuk implementasi Machine Learning menggunakan Nayve Bayes dikombinasikan dengan metode Adaboost untuk meningkatkan akurasi dataset balita Posyandu Tanjung XXIV.
Penelitian menggunakan data variable Berat Badan menurut Umur.
Tinggi Badan menurut Umur.
Berat Badan menurut Tinggi Badan.
Hasil dari penelitian menunjukkan implementasi Nayve Bayes menggunakan Adaboost meningkatkan akurasi dengan hasil akurasi 100%, meningkat sebesar 6,67% dari penerapan Nayve bayes mandiri dengan hasil 93,33% Kata kunci: Status Gizi.
Machine Learning.
Naive Bayes.
Adaboost Pendahuluan Gizi merupakan hal yang penting karena berhubungan pada kesehatan terutama pada anak bayi dibawah lima tahun atau balita yang masih rentan dengan berbagai masalah Gizi juga berkaitan dengan pertumbuhan dan perkembangan bagi anak sehingga perlu perhatian oleh para orang tua.
Masalah gizi pada balita dapat memiliki dampak jangka pendek ataupun jangka panjang, oleh karena itu pentingnya pemberian asupan gizi seimbang untuk meningkatkan pertumbuhan dan perkembangan pada anak.
Status gizi merupakan ukuran terkait kondisi tubuh yang berkaitan dengan konsumsi makanan dan zat-zat gizi dalam tubuh .
Status gizi merupakan hal yang penting bagi pertumbuhan dan perkembangan balita.
Status gizi akan mempengaruhi kesehatan seseorang, kecukupan zat gizi bagi balita akan menentukan Implementasi Machine Learning Menggunakan Adaboost .
Annisa Maulana Majid Progresif e-ISSN: 2685-0877 apakah balita kurang gizi, optimal gizi, atau lebih gizi .
Anak balita membutuhkan konsumsi zat gizi dengan kuantitas dan kualitas yang cukup supaya tidak terjadi keterlambatan pertumbuhan dan perkembangan .
Perkembangan dan pertumbuhan bagi balita diperlukan pemantauan untuk mengetahui status gizi.
Berdasarkan dari hasil Studi Status Gizi Indonesia (SSGI) oleh Kementerian Kesehatan Republik Indonesia Tahun 2022 , status gizi balita stunting sebesar 21,6%, status wasting sebesar 7,7 %, status underweigth sebesar 17,1 % dan status overweight sebesar 3.
5% .
Sehingga perlu adanya upaya untuk terus meningkatkan kesadaran pentingnya asupan gizi yang maksimal bagi balita di Indonesia.
Menurut Peraturan Menteri Kesehatan Republik Indonesia Nomor 2 Tahun 2020 bahwa penilaian status gizi anak dapat dilakukan dengan cara membandingkan hasil pengukuran berat badan dan panjang/tinggi badan dengan Standar Antropometri.
Standar Antropometri Anak merupakan kumpulan data tentang ukuran, proporsi, komposisi tubuh sebagai rujukan untuk menilai status gizi dan tren pertumbuhan anak.
Salah satu upaya untuk mencegah meningkatnya status kasus gizi buruk atau kurang gizi yaitu adanya peningkatan informasi terkait pola asuh dan pemberian zat gizi dari orang tua maupun tenaga kesehatan.
Pemberian informasi dan pengecekan rutin terkait tumbuh kembang anak dapat dilakukan di Posyandu melalui tenaga kesehatan.
Posyandu Tanjung XXIV (Dua Empa.
merupakan salah satu fasilitas kesehatan yang rutin selama 1 bulan sekali untuk mendata anak balita serta ibu hamil namun dalam proses pendataan gizi anak masih menggunakan proses manual sehingga informasi yang didapatkan belum efektif, perlu adanya proses pengolahan data untuk membantu tenaga kesehatan dalam memprediksi status gizi anak.
Oleh karena itu perlu adanya pengolahan data menggunakan teknik Machine Learning untuk dapat membantu tenaga kesehatan dalam memprediksi adanya status gizi yang tidak seimbang terhadap anak balita dapat ditangani sejak dini demi pertumbuhan dan perkembagan yang optimal.
Metode Machine Learning dapat digunakan dalam bidang kesehatan salah satunya untuk memudahkan dalam memprediksi gejala masalah kesehatan sejak dini agar segera mendapatkan penanganan dengan cepat dan tepat, salah satunya prediksi terkait status gizi anak.
Machine learning merupakan suatu algoritma yang digunakan dalam menyelesaikan dan mempermudah suatu tugas dengan belajar dari suatu pola dalam data besar untuk tujuan tertentu, seperti memprediksi suatu nilai, mengevaluasi, bereksperimen, atau mengoptimalkan suatu model .
Pengkajian penelitian terkait prediksi status gizi Balita telah dilakukan.
Namun hasil akurasi menunjukkan perlu adanya peningkatan akurasi pada algoritma Machine Learning Naive Bayes.
Nayve Bayes merupakan pengklasifikasian menggunakan probabilitas menggunakan teorema Bayes .
Metode Ensamble merupakan salah satu metode yang dapat meningkatkan akurasi salah satunya yaitu Adaboost.
Adaboost merupakan suatu algoritma yang digunakan untuk meningkatkan algoritma dengan model akurasi rendah untuk dapat menghasilkan model dengan akurasi tinggi .
Penelitian bertujuan untuk mengimplementasikan Machine Learning yaitu algoritma Naive Bayes menggunakan Adaboost dalam Prediksi Status Gizi Anak di Posyandu Tanjung XXIV menggunakan aplikasi RapidMiner.
Hasil penelitian digunakan untuk mempermudah tenaga kesehatan dalam memprediksi status gizi anak balita sehingga balita dapat tercukupi gizi dan baik dalam tumbuh kembangnya.
Tinjauan Pustaka Pengkajian penelitian terdahulu tentang prediksi status gizi anak balita telah dilakukan menjadi referensi bagi peneliti dalam penelitian.
Referensi penelitian terdahulu sebagai berikut:
Peneltian pertama oleh Putri Handayani dkk.
Tahun 2024 meneliti status gizi menggunakan data kondisi gizi anak balita di Puskesmas Kecamatan Nglegok Kabupaten Blitar menghasilkan nilai Accuracy sebesar 88,6% menggunakan algoritma Random Forest .
Penelitian kedua oleh Indah Pratiwi Putri, dkk Tahun 2024 tentang prediksi stunting pada anak menggunakan sumber data dari data stunting di Indonesia tahun 2022 menghasilkan tingkat akurasi sebesar 83.
2% pada algoritma Naive Bayes, 84,8% akurasi pada algoritma K-Nearest Neighbors (KNN), dan 87,75% akurasi pada algoritma Random Forest .
Penelitian oleh Septi Kenia Pita Loka dan Arif Marsal Tahun 2023 membandingkan algoirtma KNN dan Nayve bayes untuk klasifikasi status gizi pada balita menggunakan data Dinas Kesehatan Kota Solok menghasilkan tingkat akurasi sebesar 96,10% pada algoritma KNN dan 90,94% pada algoritma Naive Bayes .
Berdasarkan penelitian sebelumnya yang telah dilakukan, algoritma Nayve Bayes memiliki tingkat akurasi yang lebih kecil dari algoritma lain, maka perlu adanya peningkatan pada Implementasi Machine Learning Menggunakan Adaboost .
Annisa Maulana Majid e-ISSN: 2685-0877 algoritma Nayve Bayes.
Penelitian ini akan mengimplementasikan algoritma Machine Learning Nayve Bayes dengan metode Adaboost untuk meningkatkan akurasi pada status gizi balita.
Penelitian ini menggunakan data yang berasal dari Posyandu Tanjung XXIV menggunakan aplikasi RapidMiner 10.
Metodologi 1 Tahapan Penelitian Penelitian ini menggunakan Machine Learning dengan algoritma Nayve Bayes yang diimplementasikan dengan metode Adaboost untuk meningkatkan akurasi dalam prediksi status gizi anak balita menggunakan aplikasi Rapidminer 10.
Berikut ini merupakan tahapan dalam penelitian:
Gambar 1.
Tahapan Penelitian Tahap pertama dalam penelitian yaitu pengumpulan data anak balita yang berasal dari data Posyandu Tanjung XXIV, kemudian dilakukan tahap data pre-processing untuk mengoptimalkan hasil klasifikasi model.
Setelah proses pre-processing dilakukan maka menghasilkan dataset baru.
Dataset baru akan digunakan untuk implementasi model algoritma.
Selanjutnya tahap vValidasi dilakukan dalam penelitian untuk mengoptimalkan proses pengujian.
Model yang digunakan yaitu algoritma Machine Learning Nayve Bayes dikombinasikan dengan metode Adaboost untuk meningkatkan akurasi dataset.
Selanjutnya proses evaluasi yang menghasilkan data accuracy, recall, dan precision.
Pengumpulan Data Dataset yang digunakan dalam penelitian ini merupakan data dari Posyandu Tanjung XXIV, dengan total data 120 data anak balita.
Data tersebut terdiri dari 19 atribut dan 1 atribut label yaitu kategori status gizi sebagai berikut:
Tabel 1.
Atribut Dataset Anak Balita Posyandu XXIV No.
Atribut
NIK
Nama Jenis Kelamin
Nama Orang Tua
Alamat
Tanggal Lahir
BB Lahir
TB Lahir
Usia Saat Ukur
Berat
Tinggi Cara Ukur
BB/U
Zero Score BB/U Progresif: Vol.
No.
Agustus 2024: 818-827 Progresif e-ISSN: 2685-0877 No.
Atribut
TB/U
Zero Score TB/U BB/TB Zero Score BB/TB Naik Berat Badan Kategori Status Gizi (Labe.
Data kategori status gizi dapat dilihat pada tabel sebagai berikut:
Tabel 2.
Kategori Status Gizi Kategori Status Gizi Jumlah BB Tidak Naik Underweigth Normal Stunting Beresiko Gizi Lebih Obesitas Gizi Lebih Total Data Preproccesing Penelitian ini akan dilakukan tahap data preprocessing untuk mengelola dataset agar dapat menghasilkan tingkat akurasi yang maksimal.
Pre-processing yang dilakukan dalam penelitian ini yaitu reduksi data.
Reduksi data merupakan suatu proses untuk mengurangi kompleksitas data dengan cara memilih beberapa fitur-fitur yang paling relevan .
Reduksi data yaitu proses memilih atribut data yang relevan dengan hal yang akan dianalisa dan menghapus atribut data yang tidak relevan .
Reduksi data merupakan proses mengurangi jumlah data dari kelas mayoritas .
Dalam Peraturan Menteri Kesehatan Republik Indonesia Nomor 2 Tahun 2020 menyatakan bahwa penilaian status gizi anak atau belita dapat diketahui dengan membandingkan hasil pengukuran berat badan dan panjang/tinggi badan dengan Standar Antropometri dengan mengacu pada parameter 4 indeks, yaitu Berat Badan menurut Umur (BB/U).
Tinggi Badan menurut Umur (TB/U).
Berat Badan menurut Tinggi Badan (BB/TB), dan Indeks Massa Tubuh menurut Umur (IMT/U).
Oleh karena itu dalam penelitian ini akan memilih atau mereduksi atribut dataset yang relevan dalam memprediksi status gizi dalam dataset anak balita posyandu tanjung XXIV.
Hasil reduksi data yang akan digunakan dalam penelitian sebagai berikut:
No.
Tabel 3.
Atribut Hasil Reduksi Data Atribut Nama Jenis Kelamin Tanggal Lahir BB Lahir TB Lahir Usia Saat Ukur Berat Tinggi BB/U Zero Score BB/U TB/U Zero Score TB/U BB/TB Zero Score BB/TB Kategori Status Gizi (Labe.
Implementasi Machine Learning Menggunakan Adaboost .
Annisa Maulana Majid e-ISSN: 2685-0877 Nayve Bayes Nayve Bayes merupakan algoritma Machine Learning yang dirancang sederhana untuk mendapatkan probabilitas lain dari probabilitas tertentu yang sudah ada .
Nayve Bayes adalah suatu algoritma klasifikasi Machine Learning yang akan menghitung keseluruhan probabilitas berdasarkan pada Teorema Bayes yang dapat dikombinaskan dengan nilai frekuensi data .
Nayve Bayes dapat menggunakan data sebagai pengalaman pada masa lalu untuk dijadikan prediksi keputusan pada masa depan .
Persamaan Naive Bayes sebagai berikut .
ycU) = ycE.
OycE.
cU) .
Dimana:
: Hipotesis data yang merupakan suatu class spesifik : Data dengan class ycE.
: Probabilitas hipotesis H .
rior probabilita.
cU) : Probabilitas X ycE.
ycU) : Probabilitas hipotesis H yang berdasarkan kondisi X .
otensi probabilita.
: Probabilitas X yang berdasarkan kondisi hipotestis H Berikut tahapan algoritma Naive Bayes:
Menghitung nilai peluang dengan class atau label yang ada pada data P(H) Menghitung jumlah peluang dari masing-masing class atau label ycE.
Mengkalikan semua variable label pada data ycE.
O ycE.
Menentukan class dari suatu kasus Metode Adaboost Metode Adaboost merupakan suatu metode yang menggabungkan beberapa aturan prediksi lemah untuk menjadi aturan prediksi yang akurat .
Adaboost merupakan singkatan dari Adaptive Boosting.
Metode Adaboost akan membangun klasifikasi yang kuat dari kombinasi klasifikasi sederhana atau yang lemah.
Metode ini dapat digunakan untuk meningkatkan akurasi pada metode Machine Learning klasifikasi.
Berikut persamaan metode Adaboost .
= ycycnyciycu(OcycNyc=1 yuyc Eayc .
)a.
Dimana:
Eayc .
: keluaran dari pengklasifikasi lemah t untuk input x, pengklasifikasian lemah yuyc : bobot yang diberikan pada pengklasifikasi, .
earning rat.
: hasil pengklasifikasian akhir yang lebih kuat Berikut tahapan metode Adaboost sebagai:
Mempersiapkan data training dan data testing Memberikan nilai pada inisialisasi bobot di setiap atribut Mengatur kembali bobot pada setiap fitur dengan menggunakan nilai bobot Menghitung nilai hipotesis Eayc dengan menggunakan nilai probabilitas Menghitung kesalahan et Jika et > A maka menghitung nilai koefisien bobot, menghitung bobot nilai baru dan Jika et < A maka menghitung klasifikasi data testing Hasil akhir klasifikasi data uji dengan bobot kuat Validasi dan Evaluasi Data Proses validasi dalam penelitian menggunakan K-fold cross validation.
K-fold cross validation membagi dataset menjadi data testing dan data training secara terpisah dan melakukan pengujian pada data dengan diulang sebanyak nilai K .
K-fold cross validation Progresif: Vol.
No.
Agustus 2024: 818-827 Progresif e-ISSN: 2685-0877 merupakan proses pengujian data dengan membagi dataset dengan ukuran sama untuk meningkatkan model algoritma sebanyak k .
dan mengurangi waktu proses komputasi namun tetap memelihara hasil klasifikasi .
Pada penelitian ini menggunakan K-fold cross validation dengan nilai k = 10.
Setelah proses pemodelan dan pengujian algoritma, selanjutnya proses evaluasi menggunakan confusion matrix.
Confusion matrix merupakan suatu cara yang digunakan untuk mengevaluasi performa dari model algoritma klasifikasi .
Confusion matrix adalah suatu tabel untuk mengevaluasi data klasifikasi secara aktual dan prediktif untuk mengetahui performa pada model klasifikasi .
Tabel confusion matrix dapat dilihat sebagai berikut:
Tabel 4 Confusion Matrix Prediksi Positif Negatif Aktual Positif TP (True Positiv.
FN (False Negativ.
Negatif FP (False Positiv.
TN (True Negativ.
Confusion matrix akan menghasilkan nilai accuracy, recall, dan precision .
Accuracy adalah perbandingan antara data yang diklasifikasikan secara benar dengan keseluruhan data.
yaycaycaycycycaycayc = ycNycE ycNycA ycNycE ycNycA yaycE yaycA ycU 100% a .
Recall adalah perbandingan antara data positif yang terprediksi benar dengan total kasus yang positif secara aktual ycIyceycaycaycoyco = ycNycE ycNycE yaycA ycU 100%.
Precision adalah perbandingan antara data positif yang terprediksi benar dengan total prediksi yang positif.
ycEycyceycaycnycycnycuycu = ycNycE ycNycE yaycE ycU 100%.
Hasil dan Pembahasan 1 Implementasi Algoritma Penelitian ini dimulai dengan tahap import dataset anak balita pada aplikasi RapidMiner menggunakan fitur Read Excel.
Gambar 2 adalah hasil import pada aplikasi RapidMiner:
Gambar 2.
Hasil Import Dataset Implementasi Machine Learning Menggunakan Adaboost .
Annisa Maulana Majid e-ISSN: 2685-0877 Setelah import dataset, kemudian dilanjutkan pada tahap data preprocessing dengan reduksi data menggunakan fitur Select Attributes.
Selanjutnya pada tahap validasi dan evauasi ditambahkan fitur Cross Validation.
Berikut gambar implementasi fitur pada RapidMiner:
Gambar 3.
Tahap Validasi Pengujian pertama pada penelitian ini dengan penambahan fitur algoritma Nayve Bayes.
Apply Model dan Performance di dalam fitur Cross Validation, sebagai berikut:
Gambar 4.
Implementasi Algoritma Nayve Bayes Penelitian kedua penambahan fitur metode Adaboost di dalam Cross Validation seperti Gambar 5.
Penerapan metode Adaboost Progresif: Vol.
No.
Agustus 2024: 818-827 Progresif e-ISSN: 2685-0877 Didalam fitur Adaboost ditambahkan fitur Read Excel.
Select Attributes, dan algoritma Nayve Bayes didalamnya untuk dikombinasikan.
Gambar 6.
Implementasi Nayve Bayes dengan Adaboost Pembahasan Penelitian dilakukan sebanyak 2 kali dengan menguji dataset anak balita menggunakan model algoritma Naive Bayes dan mengoptimalkan model algoritma Naive Bayes menggunakan metode Adaboost.
Pengujian akan menghasilkan nilai accuracy, recall, dan Berikut merupakan tabel dari hasil pengujian yang telah dilakukan:
Naive Bayes Naive Bayes Adaboost Tabel 5.
Hasil Penelitian Accuracy Recall 93,33% 99,12% Precision 94,12% Berdasarkan dari pengujian yang dilakukan dalam penelitian mendapatkan hasil yaitu peningkatan nilai accuracy, recall, dan precision.
Peningkatan terjadi pada algoritma Nayve Bayes yang diimplementasikan dengan Metode Adaboost.
Berikut hasil perbedaan penelitian ini dengan penelitian sebelumnya.
Tabel 6.
Hasil Perbandingan akurasi
Penelitian Akurasi
Penelitian ini Indah Pratiwi Putri, dkk
Septi Kenia Pita Loka dan Arif Marsal
90,94%
Pengujian mendapatkan hasil terbaik dengan accuracy sebesar 100% jika dikombinasikan antara Algoritma Nayve Bayes dengan Adaboost daripada menggunakan model klasifikasi mandiri dengan accuracy sebesar 93,33%.
Simpulan Penelitian ini mendapatkan hasil terbaik dengan mengimplementasikan algoritma Nayve bayes dengan metode Adaboost untuk memprediksi status gizi anak di Posyandu Tanjung XXIV.
Hasil nilai akurasi sebesar 100%, hasil tersebut meningkat sebesar 6,67% dari pada menggunakan algoritma klasifikasi secara mandiri tanpa dikombinasikan.
Penelitian ini dapat digunakan untuk mempermudah tenaga medis dalam memprediksi status gizi Anak balita sehingga apabila terdapat masalah terkait gizi dapat segera ditangani.
Penelitian yang akan datang dapat dilakukan dengan mengimplementasikan algoritma Nayve Bayes dengan metode Ensamble lainnya.
Hasil dari penelitian selanjutnya dapat diimplementasikan ke dalam bentuk aplikasi sistem pengambilan keputusan untuk memprediksi Implementasi Machine Learning Menggunakan Adaboost .
Annisa Maulana Majid e-ISSN: 2685-0877 status gizi anak secara dini agar anak yang memiliki kekurangan gizi mendapatkan penanganan dengan cepat.
Daftar Referensi Budiman et al.
AuAnalisis Status Gizi Menggunakan Pengukuran Indeks Massa Tubuh Dan Beban Kerja Pada Tenaga Kesehatan,Ay Nutrizone, vol.
01, no.
1, pp.
6Ae15, 2021.
KhulafaAour Rosidah and S.
Harsiwi.
AuHubungan Status Gizi Dengan Perkembangan Balita Usia 1-3 Tahun (Di Posyandu Jaan Desa Jaan Kecamatan Gondang Kabupaten Nganju.
,Ay J.
Kebidanan, vol.
6, no.
1, pp.
24Ae37, 2019, doi: 10.
35890/jkdh.
Ramadhani.
Ramadhanu, and Taufik Hidayat.
AuMetode Machine Learning untuk Klasifikasi Data Gizi Balita dengan Algoritma Nayve Bayes.
KNN dan Decision Tree,Ay J.
SIMETRIS,
15, no.
1, pp.
57Ae68, 2024.
Kemenkes.
AuBuku Saku Hasil Survey Status Gizi Indonesia (SSGI) Tahun 2022,Ay Kemenkes, pp.
1Ae154, 2022.
Ennaji.
Vergytz, and A.
El Allali.
AuMachine learning in nutrient management: A review,Ay Artif.
Intell.
Agric.
, vol.
9, pp.
1Ae11, 2023, doi: 10.
1016/j.
Sano.
Stefanus.
Madyatmadja.
Nindito.
Purnomo, and C.
Sianipar.
AuProposing a visualized comparative review analysis model on tourism domain using Nayve Bayes classifier,Ay Procedia Comput.
Sci.
, vol.
227, pp.
482Ae489, 2023, doi:
1016/j.
Karima and W.
Anggraeni.
AuPerformance Analysis of the Ada-Boost Algorithm For Classification of Hypertension Risk With Clinical Imbalanced Dataset,Ay Procedia Comput.
Sci.
, vol.
234, pp.
645Ae653, 2024, doi: 10.
1016/j.
Handayani and A.
Fauzan.
AuMachine Learning Klasifikasi Status Gizi Balita Menggunakan Algoritma Random Forest,Ay vol.
4, no.
6, pp.
3064Ae3072, 2024, doi:
30865/klik.
Putri.
Terttiaavini, and N.
Arminarahmah.
AuAnalisis Perbandingan Algoritma Machine Learning untuk Prediksi Stunting pada Anak,Ay MALCOM Indones.
Mach.
Learn.
Comput.
Sci.
, vol.
4, no.
1, pp.
257Ae265, 2024, doi: 10.
57152/malcom.
Loka and A.
Marsal.
AuPerbandingan Algoritma K-Nearest Neighbor dan Nayve Bayes Classifier untuk Klasifikasi Status Gizi Pada Balita,Ay MALCOM Indones.
Mach.
Learn.
Comput.
Sci.
, vol.
3, no.
1, pp.
8Ae14, 2023, doi: 10.
57152/malcom.
Amalia.
Irma Purnamasari, and I.
Ali.
AuImplementasi Algoritma C4.
5 Dan Nayve Bayes Dalam Pengambilan Keputusan Untuk Program Indonesia Pintar (Pi.
Di Sekolah Dasar Negeri 04 Majalangu,Ay JATI (Jurnal Mhs.
Tek.
Inform.
, vol.
8, no.
2, pp.
1889Ae1896, 2024, doi: 10.
36040/jati.
Prasetyo and H.
Hasugian.
AuAnalisis Pola Pembelian Produk Makanan Menggunakan Algoritma Fp-Growth Untuk Strategi Penjualan,Ay IDEALIS Indones.
Inf.
Syst.
, vol.
7, no.
1, pp.
11Ae20, 2024, doi: 10.
36080/idealis.
Mawaddah.
Pranoto, and F.
Faldi.
AuOptimasi Algoritma C4.
5 Menggunakan Metode Adaboost Classification Pada Klasifikasi Nilai Mahasiswa Studi Kasus:
Universitas Muhammadiyah Kalimantan Timur,Ay J.
Sains Komput.
dan Teknol.
Inf.
, vol.
1, pp.
83Ae89, 2023, doi: 10.
33084/jsakti.
Biyantoro and B.
Prasetiyo.
AuPenerapan Decision Tree untuk Klasifikasi Status Kesehatan dengan Perbandingan KNN dan Naive Bayes,Ay Indones.
Inform.
Res.
Softw.
Eng.
, vol.
4, no.
1, pp.
47Ae55, 2024.
Syahril Dwi Prasetyo.
Shofa Shofiah Hilabi, and Fitri Nurapriani.
AuAnalisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Nayve Bayes dan KNN,Ay J.
KomtekInfo, vol.
10, pp.
1Ae7, 2023, doi: 10.
35134/komtekinfo.
Sholekhah.
Putri.
Rahmaddeni, and L.
Efrizoni.
AuPerbandingan Algoritma Nayve Bayes dan K-Nearest Neighbors untuk Klasifikasi Metabolik Sindrom,Ay MALCOM Indones.
Mach.
Learn.
Comput.
Sci.
, vol.
4, no.
2, pp.
507Ae514, 2024, doi: 10.
Putri et al.
AuKomparasi Algoritma K-NN.
Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,Ay MALCOM Indones.
Mach.
Learn.
Comput.
Sci.
3, no.
1, pp.
20Ae26, 2023, doi: 10.
57152/malcom.
Febianto.
Suranti, and R.
Alinse.
AuPenerapan Algoritma Adaboost Dalam Mengetahui Pola Pengguna Kb Di Puskesmas Tanjung Harapan,Ay J.
Sci.
Soc.
Res.
, vol.
Progresif: Vol.
No.
Agustus 2024: 818-827 Progresif e-ISSN: 2685-0877 4307, no.
1, pp.
145Ae155, 2024, [Onlin.
Available: http://jurnal.
php/JSSR Jamaludin.
Rozikin, and A.
Irawan.
AuKlasifikasi Jenis Buah Mangga dengan Metode Backpropagation,Ay Techny J.
Ilm.
Elektrotek.
, vol.
20, no.
1, pp.
1Ae12, 2021, doi:
31358/techne.
Taofik Safrudin.
Tri Pranoto, and W.
Hadikristanto.
AuOptimasi Algoritma K- Nearest Neighbor Berbasis Particle Swarm Optimization Untuk Meningkatkan Kebutuhan Barang,Ay Bull.
Inf.
Technol.
, vol.
4, no.
3, pp.
281Ae286, 2023, doi: 10.
47065/bit.
Gusdiana.
Alfian, and C.
Juliane.
AuImplementation of Text Processing for Sentiment Analysis of Tax Payment Interest After the AoRubiconAo Phenomenon,Ay J.
Tek.
Inform.
, vol.
4, no.
5, pp.
1157Ae1164, 2023, doi: 10.
52436/1.
Musfiroh.
Khaira.
Utomo, and T.
Suratno.
AuAnalisis Sentimen terhadap Perkuliahan Daring di Indonesia dari Twitter Dataset Menggunakan InSet Lexicon,Ay MALCOM Indones.
Mach.
Learn.
Comput.
Sci.
, vol.
1, no.
1, pp.
24Ae33, 2021, doi:
57152/malcom.
Hidayat.
Fikry.
Yanto, and E.
Cynthia.
AuPenerapan Nayve Bayes Classifier dalam Klasifikasi Sentimen Publik di Twitter terhadap Puan Maharani,Ay vol.
6, pp.
93Ae101.
Implementasi Machine Learning Menggunakan Adaboost .
Annisa Maulana Majid