Institut Riset dan Publikasi Indonesia (IRPI) MALCOM: Indonesian Journal of Machine Learning and Computer Science Journal Homepage: https://journal.
id/index.
php/malcom Vol.
3 Iss.
2 October 2023, pp: 349-357
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
Implementation of Decision Tree and Support Vector Machine (SVM) Algorithm for Stunting Risk Prediction Implementasi Algoritma Decision Tree dan Support Vector Machine (SVM) untuk Prediksi Risiko Stunting pada Keluarga Amanda Iksanul Putri1*.
Yulia Syarif2.
Puguh Jayadi3.
Fadlan Arrazak4.
Febi Nur Salisah5
1,2,4,5
Department of Information System.
Faculty of Science and Technology State Islamic University of Sultan Syarif Kasim Riau.
Indonesia Program Studi Teknik Informatika.
Fakultas Teknik.
Universitas PGRI Madiun.
Indonesia E-Mail: 112150320068@students.
uin-suska.
id, 212150321439@students.
uin-suska.
jayadi@unipma.
id, 412150312250@students.
uin-suska.
id, 5febinursalisah@uin-suska.
Received Aug 30th 2023.
Revised Oct 04th 2023.
Accepted Nov 05th 2023 Corresponding Author: Amanda Iksanul Putri Abstract Stunting is a condition of chronic malnutrition caused by inadequate food intake resulting from improper dietary habits.
Stunting can lead to physical stunting in children, as well as hinder the growth and development of other organs such as the kidneys, heart, and brain.
The increasing cases of stunting in children require early prevention efforts.
This study utilized 18 attributes and 5021 data records from 10 districts in Dumai City, with one of them selected as the class.
establish which technique is best for processing the data, we used decision tree and support vector machine (SVM) The prediction results using the Decision Tree algorithm in this study achieved an accuracy score of 96.
a recall value of 92.
06% for "Not stunting" and 97.
34% for "Yes" a precision value of 90.
99% for "Not stunting" and 68% for "Yes".
On the other hand, using the SVM algorithm yielded an accuracy score of 62.
48%, a recall value of 12% for "Not stunting" and 51.
80% for "Yes" and a precision value of 37.
49% for "Not stunting" and 99.
51% for "Yes " Based on the research using the data, the accuracy of the decision tree algorithm is significantly better compared to the SVM algorithm.
Keyword: Decision Tree.
Prediction.
Stunting.
Support Vector Machine (SVM) Abstrak Kondisi kekurangan gizi kronis yang disebabkan oleh asupan makanan yang tidak mencukupi sebagai akibat dari kebiasaan makan yang tidak tepat sesuai dengan gizi yang diperlukan disebut juga dengan stunting.
Stunting dapat membuat fisik anak menjadi lebih pendek, selain itu dapat menghambat pertumbuhan dan perkembangan organ lain seperti ginjal, jantung, dan otak pada anak.
Meningkatnya kasus stunting pada anak memerlukan upaya pencegahan secara dini.
Pada penelitian ini menggunakan 18 atribut dan 5021 record data dari 10 kelurahan Kota Dumai dimana salah satu diantaranya dijadikan sebagai kelas.
Pada penelitian ini menerapkan Algoritma Decision Tree dan Support Vactor Machine (SVM) untuk mengetahui algoritma mana yang tepat memproses data tersebut.
Hasil prediksi dengan menggunakan Decision Tree pada penelitian ini mendapatkan nilai akurasi sebesar 96.
15%, nilai recall Tidak sebesar 06% serta Ya sebesar 97.
34% dan nilai presisi Tidak sebesar 90.
99% serta Ya sebesar 97.
Sedangkan dengan menggunakan Algoritma SVM mendapatkan nilai akurasi sebesar 62.
48%, nilai recall Tidak sebesar 99.
12% serta Ya 80% dan nilai presisi Tidak sebesar 37.
49% serta Ya sebesar 99.
Berdasarkan penelitian menggunakan data tersebut dapat disimpulkan bahwa akurasai algoritma Decision Tree jauh lebih baik dibandingkan dengan algoritma SVM.
Kata Kunci: Decision Tree.
Prediksi.
Stunting.
Support Vector Machine (SVM) INTRODUCTION Kondisi kekurangan gizi kronis yang disebabkan oleh asupan makanan yang tidak mencukupi sebagai akibat dari kebiasaan makan yang tidak tepat sesuai dengan gizi yang diperlukan disebut juga dengan DOI: https://doi.
org/10.
57152/malcom.
MALCOM-03.
: 349-357
Stunting bisa dimulai saat anak masih dalam kandungan dan tidak terlihat hingga berusia dua tahun .
Stunting dapat membuat fisik anak menjadi lebih pendek, selain itu dapat menghambat pertumbuhan dan perkembangan organ lain seperti ginjal, jantung, dan otak pada anak.
Akibatnya, anak yang stunting akan mengalami gangguan perkembangan neurosensori dan motorik.
IQ rendah, dan gangguan kinerja psikomotorik .
Dampak berbahaya langsung dan jangka panjang dapat diakibatkan oleh stunting.
Stunting dapat memperlambat pertumbuhan tubuh, metabolisme, dan perkembangan otak dalam jangka pendek.
sisi lain, dampak negatif jangka panjang antara lain penurunan kinerja kognitif dan pembelajaran, penurunan daya tahan fisik yang meningkatkan risiko penyakit, dan penyakit kronis seperti diabetes, obesitas, penyakit kardiovaskular, kanker, stroke, dan gangguan geriatri.
Mungkin juga ada peningkatan risiko penyakit.
Stunting juga dapat mengakibatkan pekerjaan berkualitas rendah, yang menurunkan hasil ekonomi .
Stunting dipengaruhi oleh penyebab bawaan dan eksternal.
Stunting pada anak disebabkan oleh variabel internal yang berhubungan langsung dengan tumbuh kembangnya, seperti pola asuh orang tua.
ASI eksklusif, makanan pendamping ASI, imunisasi lengkap, asupan protein dan mineral yang cukup, kelainan virus, dan genetik.
Di sisi lain, karakteristik sosial ekonomi keluarga yang meliputi tingkat pendidikan ibu, posisi pekerjaan ibu, dan pendapatan rumah tangga berpengaruh secara eksternal .
Untuk menurunkan bahaya stunting, pemerintah Indonesia telah menerapkan sejumlah kebijakan.
Intervensi nutrisi adalah salah satunya, dengan penekanan pada dua jenis terapi: intervensi nutrisi sensitif dan intervensi nutrisi yang Sementara perawatan nutrisi yang ditargetkan berfokus pada asupan makanan, intervensi nutrisi yang sensitif mencoba mengatasi faktor tidak langsung yang berkontribusi terhadap stunting, seperti ketahanan pangan, akses ke layanan kesehatan, kebersihan lingkungan, dan gaya pengasuhan.
Infeksi dan penyakit merupakan salah satu penyebab langsung stunting yang menjadi sasaran .
Anak yang tergolong stunting yaitu mereka yang status gizinya ditentukan oleh panjang atau tinggi badannya berdasarkan pedoman WHO-MGRS (Multicenter Growth Reference Stud.
untuk anak seusianya.
Menurut data WHO tentang kejadian stunting anak.
Indonesia memiliki tingkat stunting tertinggi ketiga di Kawasan Asia Tenggara (SEAR) .
Menurut WHO, masalah kesehatan masyarakat dapat dikatakan kronis jika prevalensi stunting lebih tinggi dari 20% .
Menurut situs web Kementerian Kesehatan Republik Indonesia, prevalensi stunting di Indonesia adalah 21,6%, yang tidak memenuhi standar yang ditetapkan oleh WHO .
Namun, stunting sendiri dapat dideteksi sejak dini .
arly warnin.
dengan memantau pola makan anak .
Early Warning pada stunting sangat sulit dilakukan dikarenakan beberapa hal penyebabnya yaitu sebagian besar ibu yang membesarkan anak-anak yang mengalami stunting hanya memiliki sedikit atau bahkan tidak memiliki pendidikan dan tidak memiliki pengetahuan informal tentang stunting .
Rendahnya keterlibatan masyarakat dalam pemeriksaan kesehatan di puskesmas seperti Posyandu .
Sulit bagi masyarakat untuk mengambil tindakan ketika terkena stunting terjadi karena terbatasnya sumber daya untuk menyelenggarakan pelatihan rutin dan teratur, terbatasnya tenaga kesehatan, yang mengakibatkan perawatan kesehatan yang tidak memadai, dan terbatasnya tenaga profesional .
, tidak memiliki alat ukur panjang badan yang standar, alat tidak terpasang dengan baik, cara pengukuran yang tidak benar, seperti posisi anak, pembacaan hasil dan koreksi hasil pengukuran .
Semua pihak, termasuk iptek, harus menjawab kompleksitas tantangan yang berkaitan dengan stunting dan bertanggung jawab .
Dalam penelitian ini.
Decision Tree dan Support Vector Machine (SVM) adalah dua teknik yang di bidang Machine Learning (ML), algoritma klasifikasi termasuk Decision Tree dan SVM.
Sebagai subbidang kecerdasan buatan, pembelajaran ML memungkinkan sistem untuk belajar secara otomatis tanpa pemrograman yang membosankan .
Hasil klasifikasi dari Decision Tree atau SVM bisa digunakan sebagai early warning stunting, pengolahan data yang banyak menggunakan ML disebut juga data Data mining adalah proses menganalisis sebuah kasus untuk mengetahui algoritma mana yang bekerja paling baik.
Kumpulan data besar dapat ditambang menggunakan teknik penambangan data untuk mengungkap pola dan informasi .
Selain itu, algoritma Decision Tree dan SVM telah digunakan dalam penelitian berbagai penyakit seperti kanker payudara .
Acute Lymphoblastic Leukimia (ALL) .
dan virus covid-19 varian omicron .
Oleh karena itu, penelitian ini menggunakan uji-t untuk memprediksi stunting keluarga dan bertujuan untuk menentukan algoritma mana yang lebih baik diantara keduanya.
Kami dapat menentukan algoritma mana yang berkinerja lebih baik berkat aplikasi Rapidminer.
MATERIALS AND METHOD
Gambar 1 menampilkan proses yang digunakan dalam investigasi ini.
Metode penelitian ini berlangsung dari berbagai tahap proses, tahap pertama yaitu mengumpulkan dan melakukan proses preprocessing data yang ditujukan untuk penelitian.
Kami membagi data menjadi dua, masing-masing 70:30 untuk set pelatihan dan tes.
Tahap selanjutnya adalah membuat dan menjalankan model algoritma SVM dan Decision Tree setelah membagi data menjadi data latih dan data uji dengan perbandingan 70:30.
Langkah selanjutnya adalah mengeksplorasi performa model menggunakan data uji.
Data uji kemudian digunakan untuk memprediksi hasil, dan hasil prediksi tersebut dibandingkan dengan nilai parameter yang sebenarnya Implementasi Algoritma Decision Tree dan Support Vector.
(Putri et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 dari data uji.
Dengan membandingkan prediksi dan nilai parameter sebenarnya, kita dapat mengukur tingkat kesalahan dalam proses prediksi model pada data pengujian.
Gambar 1.
Research Methodology Akusisi Data Data stunting besrumber dari Dinas Pengendalian Penduduk dan Keluarga Brenecana Kota Dumai Provinsi Riau.
Pada penelitian ini menggunakan 18 atribut dan 5021 record data dari 10 kelurahan Kota Dumai, yaitu Kelurahan Bagan Besar.
Kelurahan Bagan Keladi.
Kelurahan Basilan Baru.
Kelurahan Guntung.
Kelurahan Jaya Mukti.
Kelurahan Kayu Kapur.
Kelurahan Purnama.
Kelurahan STDI, dan Kelurahan Teluk Binjai.
Atribut yang dipertimbangkan dalam penyelidikan ini tercantum dalam Tabel 1.
Tabel 1.
Atribut Data Stunting Atribut
Keterangan Baduta
Balita
PUS
PUS Hamil Anak 7- 15 Tahun Bawah Dua Tahun .
-23 bula.
Bawah Lima Tahun .
-59 bula.
Pasangan Usia Subur Pasangan Usia Subur Hamil Ada Anak 7-15 Tahun Tidak Sekolah Tidak ada anggota keluarga yang mampu menutupi kebutuhan pokok mereka setiap bulan Jenis Lantai Rumah Tanah.
Semen, atau Keramik Tidak semua orang makan "aneka makanan" lebih dari dua kali sehari di rumah tangga Keluarga Yang Tidak Mampu Memenuhi Kebutuhan Dasar nya.
Seperti Kebutuhan Pendidikan.
Agama.
Sandang.
Pangan, dan Kesehatan.
keluarga tanpa akses ke sumber air minum dasar yang layak Keluarga Yang Tidak Mempunyai Kamar Mandi Yang Layak Keluarga Tidak Mempunyai Sumber Penghasil an Jenis Lantai Tanah Jenis Makanan Keluarga Pra Sejahtera Sumber Air Minum Jenis Jamban Jenis MALCOM - Vol.
3 Iss.
2 October 2023, pp: 349-357 Jumlah Data Value (X) Value (V) Value (-) Missing Value MALCOM-03.
: 349-357 Jumlah Data Value (X) Value (V) Value (-) Missing Value Umur Istri Kurang Dari 20 Tahun Umur Istri Lebih Dari 35 Tahun Umur Anak Jaraknya Hanya 2 Tahun Memiliki Anak Yang Terlalu Banyak Kategori keluarga berpotensi resiko stunting Atribut Keterangan Rumah Pendidik an Ibu Terlalu Muda Terlalu Tua (>35 Tahu.
Terlalu Dekat (< 2 Tahu.
Terlalu Banyak .
Ana.
Rumah Layak Huni Pendidikan Terakhir Ibu Dibawah SLTP Class Stunting Dengan menentukan skor indeks-z tinggi badan vs umur (TB/U), stunting dapat diidentifikasi.
Hal ini menunjukkan bahwa tinggi badan (TB) individu tidak sesuai dengan usianya .
Jika Z-score kurang dari -2 SD atau kurang dari -3 SD, anak dianggap stunting .
Adapun rumus Z score adalah ditunjukkan pada persamaan 1 .
ycs ycIycaycuycyce = Keterangan:
MBR
SBR
ycu EaycnycycycuyciOeycAyaAycI ycIyaAycI = Parameter yang di ukur = Median buku rujukan = Simpangan baku rujukan Data Mining Data Mining adalah sekelompok prosedur yang digunakan untuk mengumpulkan informasi dan pola dari kumpulan data .
Salah satu cabang ilmu komputer yang disebut data mining menggunakan sejumlah prosedur komputasi, metode statistik, pengelompokan, klasifikasi, dan pengenalan pola dalam kumpulan data .
Ada berbagai tahapan untuk proses data mining .
Data Preprocessing Preprocessing merupakan langkah yang dilakukan sebelum memulai analisis data yang sebenarnya.
Pada tahap ini, dilakukan proses untuk membersihkan dan memproses data, mengintegrasikan serta mengurangi data, melakukan transmisi, dan melakukan normalisasi data.
Selection Feature Prosedur ini digunakan untuk memadatkan dataset stunting dan memilih fitur yang penting untuk diagnosis stunting.
Data Scrambling Pengacakan data pada dataset dapat berdampak pada performa.
Hal ini disebabkan oleh model klasifikasi yang dilatih pada data tersebut selama proses pelatihan.
Pengacakan data akan diterapkan setelah tahap preprocessing dan reduksi data.
Data Classification Salah satu pekerjaan terpenting dalam data mining dan pembelajaran mesin adalah klasifikasi, yang termasuk dalam kategori pembelajaran terawasi .
Klasifikasi adalah proses mengidentifikasi model atau fungsi yang mendefinisikan atau membedakan suatu konsep atau kelas data dengan tujuan untuk dapat menyimpulkan kelas objek yang labelnya tidak diketahui.
Untuk mencapai hal ini, sebuah model dibuat melalui proses kategorisasi yang dapat membagi data menjadi beberapa kelas sesuai dengan aturan atau fungsi yang telah ditentukan sebelumnya .
Performance Evaluation Nilai akurasi dari prosedur yang diterapkan diperiksa selama tahap evaluasi kinerja dengan melakukan perbandingan kesalahan .
masing-masing algoritma dengan menggunakan data yang sama dan membagi data dengan perbandingan 70:30.
Menggunakan persamaan 2.
Implementasi Algoritma Decision Tree dan Support Vector.
(Putri et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
yaycoycycycaycycn = ycycy ycycu ycycy ycycu yceycy yceycu Machine Learning Studi tentang pembuatan algoritma komputer yang dapat memproses data untuk menghasilkan tindakan cerdas, atau mengubah data menjadi informasi, dikenal sebagai pembelajaran mesin .
Kumpulan data yang besar dan rumit dapat diproses dengan cepat oleh machine learning.
Selain itu, machine learning juga dapat mengidentifikasi pola dan tren yang tidak dapat dilihat oleh manusia dan meningkatkan produktivitas tanpa harus didorong oleh kesuksesan .
Decision Tree Dengan menggunakan seperangkat aturan keputusan dan struktur pohon keputusan, kumpulan data yang sangat besar dapat dibagi menjadi kumpulan catatan yang lebih kecil.
Tiga algoritma ID3.
CART, dan C4.
5 dapat digabungkan untuk membuat pohon keputusan.
Algoritma ID3, yang dibuat oleh Quinlan, diperluas oleh algoritma C4.
ID3 adalah metode yang digunakan untuk data kategorikal, sementara C4.
5 digunakan untuk data kategorikal maupun numerik.
Sementara C4.
5 menggunakan rasio perolehan sebagai kriteria pemilihan atributnya, teknik ID3 menggunakan perolehan informasi sebagai kriterianya .
Berikut ini adalah tahapan-tahapan dalam algoritma Decision Tree .
Persiapkan dataset pelatihan.
Tentukan akar dari pohon keputusan.
Pilih karakteristik yang akan bertindak sebagai akar pohon keputusan dengan menghitung nilai gain.
Gain dihitung berdasarkan nilai Gain tertinggi dari atribut-atribut yang tersedia.
Persamaan berikut dapat digunakan untuk menghitung nilai Gain.
cI, y.
= yaycuycycycuycyyc.
cI) Oe OcycA ya=1 .
y yaycuycycycuycyyc.
cIyc.
Prosedur untuk setiap cabang yang terbentuk, ulangi langkah kedua.
Di sisi lain, untuk menghitung nilai entropi, gunakan persamaan yang sesuai.
Persamaan yang dapat digunakan adalah Persamaan dua berikut ini:
cI) = OcycA ycn=1 OeyuU y log 2yuU Proses pembentukan pohon keputusan berakhir ketika semua cabang dari node N memiliki kelas yang Support Vector Machine (SVM) Pendekatan Structural Risk Minimization (SRM) berfungsi sebagai dasar untuk teknik pembelajaran mesin yang dikenal sebagai Support Vector Machine (SVM).
Menemukan hyperplane terbaik untuk membagi dua kelas di ruang input adalah tujuan dari SVM.
Bidang-hiper yang terletak di tengah-tengah antara dua set objek dari dua kelas adalah bidang-hiper yang ideal.
Menghitung margin hyperplane dan menentukan titik maksimumnya akan mengungkapkan hyperplane mana yang paling baik membagi dua Margin adalah pemisahan antara pola terdekat setiap kelas dan hyperplane.
Support vector adalah pola yang paling dekat dengan hyperplane .
cuycc ) = Ocycuyc ycn=1 yuycn ycycn ycuycn ycuycc yca Dimana:
ycu ycn ycu ycc = Banyaknya support vector = besaran bobot dari tiap titik data = Kelas data = Variabel Support Vector = Data yang akan diklasifikasikan = Nilai error Rapid Miner Perusahaan dengan nama yang sama menciptakan platform perangkat lunak yang berfokus pada sains data yang dikenal sebagai RapidMiner .
Perangkat lunak ini mengandung semua algoritma dasar yang diperlukan untuk tugas data mining, seperti predictive emining, descriptive mining and pre-processing data agar data menjadi cocok untuk mining.
Perangkat lunak ini juga sangat cocok untuk menggambarkan data secara visual .
Platform mencakup setiap fase proses pembelajaran mesin, termasuk persiapan data, visualisasi hasil, validasi, dan pengoptimalan.
RapidMiner dibuat menggunakan arsitektur inti terbuka .
MALCOM - Vol.
3 Iss.
2 October 2023, pp: 349-357 MALCOM-03.
: 349-357
RESULTS AND DISCUSSION
Preprocessing Sebelum data diproses menggunakan algoritma, data akan dilakukan preprocessing terlebih dahulu karena pada data terdapat value (-) dan juga missing value.
Saat dilakukannya preprocessing data, data akan diubah dalam bentuk angka agar dapat mempermudah melakukan pemrosesan.
Data dengan variable (X) diubah menjadi angka 0 dan data dengan variable (V) diubah menjadi angka 1.
Sedangkan untuk class variable (X) diubah menjadi AutidakAy dan data dengan variable (V) diubah menjadi AuyaAy.
Selanjutnya datadata yang terdapat missing value diolah terlebih dahulu menggunakan operator missing value yang ada di rapid miner.
Tabel 2 menampilkan data yang telah melalui proses preprocessing.
Tabel 2.
Data yang telah diprocessing A A A A A A A A A A Klasifikasi Decision Tree Dataset survei dibaca dalam format CSV.
Dataset dibagi menjadi partisi data latih dan partisi data uji menggunakan operator pemisahan data, dengan persentase masing-masing set 70% dan 30%.
Menggunakan perhitungan dari algoritma Decision Tree.
Selanjutnya menggunakan data pelatihan pengujian, operator Apply Model digunakan untuk menerapkan model pra-pelatihan.
Kinerja, operator terakhir, sangat membantu untuk memeriksa evaluasi metode klasifikasi.
Hasil penerapan algoritma Decision Tree pada informasi pada Tabel 3.
Tabel 3.
Performance Algoritma Decision Tree Accuracy: 96,15% Pred Tidak Pred Ya Class Recall True Tidak 92,05% True Ya 97,34% Class Precision 90,99% 97,68% Tabel 3 menunjukkan bahwa metode pohon keputusan memiliki tingkat akurasi sebesar 96,15%.
92,06% nilai recall dari kelas tidak , sedangkan kelas ya 97,34%.
Skor presisi untuk setiap kelas adalah 90,99% untuk kelas Tidak dan 97,68% untuk kelas Ya.
Angka akurasi ini dihasilkan dari sistem yang salah mengklasifikasikan data tertentu.
Dengan kata lain, 31 data Ya termasuk dalam kelas No, sedangkan 27 data Tidak termasuk dalam kelas Ya.
Visualisasi dari Performance Algoritma Decision Tree dapat dilihat pada 100,00% 97,68% 97,34% 98,00% 96,00% 94,00% 92,05% 90,99% 92,00% 90,00% 88,00% 86,00% Class Recall Class Precision Tidak Gambar 2.
Visualisasi Performance Algoritma Decision Tree Implementasi Algoritma Decision Tree dan Support Vector.
(Putri et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 Klasifikasi Support Vector Machine (SVM) Secara keseluruhan operator yang digunakan dalam algoritma SVM sama dengan yang digunakan dalam implementasi algoritma Decision Tree.
Namun, operator SVM digunakan dalam pengujian ini.
Hasil pengujian algoritma pada dataset penelitian ditunjukkan pada Tabel 4.
Tabel 4.
Performance Algoritma SVM Accuracy: 62,48% Pred Tidak Pred Ya Class Recall True Tidak 99,12% True Ya 51,8% Class Precision 37,49% 99,51% Tabel 4 menunjukkan bahwa akurasi algoritma SVM adalah 62,48%.
99,12% adalah nilai recall untuk kelas Tidak, sedangkan 51,80% recall untuk kelas Ya.
Persentase presisi untuk kelas Tidak dan kelas Ya berturut-turut adalah 37,49% dan 99,51%.
Angka akurasi ini dihasilkan dari sistem yang salah mengklasifikasikan data tertentu.
Dengan kata lain, 3 data Tidak diklasifikasikan sebagai kelas Ya, sedangkan 562 data Ya dikelompokkan pada kelas Tidak.
Visualisasi dari Performance Algoritma SVM dapat dilihat pada gambar 3.
120,00%
99,51%
99,12%
100,00%
80,00%
51,80%
60,00%
37,49%
40,00%
20,00%
0,00%
Class Recall Class Precision Tidak Gambar 3.
Visualisasi Performance Algoritma SVM Perbandingan Klasifikasi Decision Tree dan SVM Berdasarkan hasil imlementasi algoritma decision tree dan SVM, nilai performance keduanya ditunjukan pada tabel 5.
Tabel 5.
Perbandingan Performance Decision Tree dan SVM
Algoritma
Akurasi
Decision Tree
SVM
Recall True Tidak True Ya Presisi Pred.
Tidak Pred.
Terlihat dari data diatas, algoritma yang tercantum tidak memiliki nilai akurasi yang sama.
Algoritma decision tree mendapatkan nilai akurasi yang tinggi yaitu sebesar 96.
Sedangkan untuk akurasi SVM sendiri sangat jauh dibawah Decision Tree yaitu hanya sebesar 62.
Untuk Recall data Tidak SVM lebih unggul dibandingkan Decision Tree sebesar 99.
12% namun untuk data Ya Decision Tree jauh lebih unggul dibandingkan SVM 97.
Untuk presisi kelas Tidak Decision Tree jauh lebih unggul dibandingkan SVM yaitu sebesar 90.
99%, sedangkan pada kelas Ya SVM lebih unggul dibandingkan decision tree yaitu sebesar 99.
Pada gambar 4 terdapat visualisasi akurasi dari kedua algoritma yaitu Decision Tree dan SVM.
CONCLUSION
Dari penelitian yang telah dilakukan membuahkan hasil akurasi algoritma Decision Tree jauh lebih baik dibandingkan dengan algoritma SVM dalam dataset stunting yang digunakan dalam riset ini.
Pada algoritma Decision Tree didapatkan akurasi sebesar 96.
15% sedangkan pada algoritma SVM akurasi yang didapatkan memiliki selisih 33.
67% dengan algoritma Decision Tree yaitu sebesar 62.
Apabila pada MALCOM - Vol.
3 Iss.
2 October 2023, pp: 349-357 MALCOM-03.
: 349-357
penelitian selanjutnya terdapat pola data yang hampir sama dapat menggunakan Decision Tree untuk REFERENCES