ISSN: 1979-7656 e-ISSN: 3031-0865 DOI: https://doi.
org/10.
30989/teknomatika.
Vol.
No.
Juni 2025, pp.
Sistem Deteksi Dini Anemia pada Anak Usia 0-59 Bulan Menggunakan Nayve Bayes dan Optimasi Particle Swarm Optimization Azzikra Ramadhanti Aksana,1,*.
Deviana Dyah Anggrainia,2.
Muhamad Fikry Maulana Ridwana,3.
Herdiesel Santosob,4 Sistem Informasi.
FTTI Unjaya.
Daerah Istimewa Yogyakarta.
Indonesia Sistem Informasi.
STMIK El Rahma.
Daerah Istimewa Yogyakarta.
Indonesia azzikraaksan@gmail.
com, 2devianadyah@gmail.
com, 3fikrymaulana06@gmail.
santoso@stmikelrahma.
Azzikra Ramadhanti Aksan Diterima Direvisi Disetujui Dipublikasikan 16/1/2025 8/6/2025 11/6/2025 13/6/2025 ABSTRACT Anemia in children aged 0Ae59 months poses a serious health concern with long-term effects on growth and development.
This study aims to develop a web-based early detection system for childhood anemia using a Nayve Bayes algorithm enhanced with Particle Swarm Optimization (PSO).
The system uses secondary data from the 2018 Demographic and Health Survey in Nigeria, which includes variables such as age, nutritional status, and medical history.
Although the dataset is from Nigeria, the variables are universal and relevant, making the findings applicable for similar model development in other regions.
The Nayve Bayes algorithm is employed for classifying anemia levels, while PSO is applied to improve prediction accuracy by optimizing feature weights and tuning model parameters.
Results show an increase in accuracy from 92.
17% to 95.
71% after This demonstrates PSOAos effectiveness in improving model performance, especially in datasets with imbalanced class The system is implemented as a user friendly website, allowing quick and accessible anemia detection.
This solution is particularly useful in regions with limited healthcare access.
The findings indicate that combining Nayve Bayes with PSO can enhance predictive accuracy and support broader efforts to improve child health outcomes.
ABSTRAK
Anemia pada anak usia 0Ae59 bulan merupakan masalah kesehatan yang serius dengan dampak jangka panjang terhadap pertumbuhan dan Penelitian ini bertujuan mengembangkan sistem deteksi dini anemia berbasis website menggunakan algoritma Nayve Bayes yang dioptimasi dengan Particle Swarm Optimization (PSO).
Sistem ini memanfaatkan data sekunder dari Survei Demografi dan Kesehatan 2018 di Nigeria, yang mencakup variabel seperti usia, status gizi, dan riwayat https://ejournal.
id/index.
php/teknomatika KEYWORDS Early Detection Anemia Nayve Bayes Particle Swarm Optimization KATA KUNCI Deteksi Dini Anemia Nayve Bayes Particle Swarm Optimization ISSN: 1979-7656 e-ISSN: 3031-0865 Meskipun data berasal dari Nigeria, variabel yang digunakan bersifat universal dan relevan untuk pengembangan model serupa di Indonesia.
Algoritma Nayve Bayes digunakan untuk mengklasifikasikan tingkat anemia, sementara PSO diterapkan untuk meningkatkan akurasi model melalui optimasi bobot fitur dan penyetelan parameter.
Hasil evaluasi menunjukkan peningkatan akurasi dari 92,17% menjadi 95,71% setelah optimasi, menandakan efektivitas PSO dalam menangani distribusi kelas yang tidak seimbang dan meningkatkan kinerja klasifikasi.
Sistem ini diimplementasikan dalam bentuk website yang mudah digunakan, memungkinkan pengguna melakukan deteksi anemia secara cepat dan Hasil penelitian menunjukkan bahwa kombinasi Nayve Bayes dan PSO mampu meningkatkan akurasi prediksi anemia secara signifikan.
Sistem ini berpotensi diterapkan di wilayah dengan akses layanan kesehatan terbatas untuk mendukung peningkatan kualitas kesehatan anak-anak di Indonesia.
This is an open access article under the CCAeBY-SA license.
PENDAHULUAN
Anemia, yang dikenal masyarakat sebagai kurang darah adalah suatu kondisi medis yang terjadi ketika kadar hemoglobin dalam darah lebih rendah dari normal, sehingga mengurangi kemampuan darah untuk membawa oksigen ke seluruh tubuh.
Kondisi ini dapat menyebabkan gejala seperti kelelahan, pucat, sesak nafas, pusing, dan penurunan daya tahan tubuh, yang dapat menghambat fungsi pernapasan sel dan aktivitas tubuh secara normal .
Anemia umumnya terjadi ketika jumlah sel darah merah atau hemoglobin terlalu rendah untuk memenuhi kebutuhan tubuh.
Menurut data World Health Organization (WHO), lebih dari 496 juta orang di seluruh dunia, khususnya pada usia 15-49 tahun, mengalami anemia .
Di Indonesia, prevalensi anemia masih cukup tinggi, terutama di kalangan remaja putri dan ibu hamil.
Hal ini dapat menyebabkan berbagai dampak negatif, seperti gangguan pertumbuhan, penurunan produktivitas, serta peningkatan risiko komplikasi kesehatan.
Oleh karena itu, deteksi dini dan intervensi yang tepat sangat penting untuk menekan angka prevalensi anemia.
Deteksi dini anemia dapat dilakukan melalui berbagai metode, seperti skrining rutin yang ditargetkan berdasarkan faktor risiko, penggunaan instrumen penilaian risiko, atau tes diagnostik .
Dalam hal ini, teknologi Machine Learning (ML) menawarkan potensi besar untuk mendeteksi penyakit secara lebih akurat dan efisien.
Algoritma Machine Learning mampu menganalisis data medis yang kompleks, seperti hasil laboratorium, riwayat kesehatan, atau faktor gaya hidup, untuk mendeteksi penyakit, termasuk anemia .
Beberapa penelitian sebelumnya telah mengkaji penggunaan Machine Learning untuk prediksi Penelitian Ningrum et al.
menggunakan algoritma Fuzzy Tsukamoto dengan 4 tahapan untuk mendiagnosis anemia, dan mendapatkan hasil akurasi sebesar 85% .
Penelitian oleh Sukron .
yang mengoptimalkan metode Nayve Bayes dengan Particle Swarm Optimization (PSO) menunjukkan bahwa metode Nayve Bayes menghasilkan akurasi sebesar 86,80%, sementara setelah dioptimasi dengan PSO, akurasi meningkat menjadi 89,84%, dengan peningkatan sebesar 3,04% .
Selain itu, penelitian Yanti et al.
menunjukkan bahwa algoritma C4.
5 lebih unggul dibandingkan SVM, dengan akurasi 99,29%, presisi 98,7%, dan recall 99,69% .
Begitu pula dengan penelitian Sari et al.
yang membandingkan algoritma C4.
5 dan K-Nearest Neighbor (K-NN), dimana C4.
5 menghasilkan akurasi 99,75%, presisi 100%, dan recall 99,5s0% .
Berdasarkan penelitian-penelitian tersebut, dapat disimpulkan bahwa penggunaan algoritma data mining sangat membantu tenaga kesehatan untuk mendeteksi penyakit secara lebih cepat dan Penelitian ini bertujuan untuk membangun sistem deteksi dini anemia pada anak usia 0-59 bulan dengan menggunakan algoritma Nayve Bayes yang di optimasi dengan PSO.
Nayve Bayes https://ejournal.
id/index.
php/teknomatika ISSN: 1979-7656 e-ISSN: 3031-0865 merupakan algoritma pembelajaran mesin yang menggunakan perhitungan probabilitas dan statistik untuk memprediksi kemungkinan berdasarkan pengalaman masa lalu yang dikembangkan oleh ilmuwan Inggris Thomas Bayes .
Untuk meningkatkan akurasi model.
PSO digunakan untuk mengoptimasi parameter Nayve Bayes.
PSO adalah algoritma optimasi yang mampu mencari nilai optimal untuk meningkatkan akurasi model .
Teknologi berbasis ML ini diimplementasikan dalam platform berbasis web, memberikan solusi praktis dan efektif dalam menganalisis data medis yang kompleks.
Dengan adanya platform ini, deteksi anemia dapat dilakukan secara lebih luas, bahkan di daerah dengan akses terbatas ke fasilitas kesehatan, yang pada gilirannya dapat berkontribusi pada peningkatan kualitas kesehatan masyarakat, khususnya dalam menangani masalah anemia pada anak.
METODE PENELITIAN
Dalam penelitian ini, metodologi yang digunakan mencakup pengumpulan data, prapemrosesan, pemodelan, pengujian, evaluasi hasil, serta pengembangan aplikasi, yang keseluruhannya dapat dilihat dalam diagram alir pada Gambar 1 berikut.
Gambar 1.
Tahap Penelitian Pengumpulan Data Pengumpulan data adalah usaha sistematis untuk mengumpulkan informasi atau data yang relevan dengan tujuan mengukur variabel tertentu, menjawab pertanyaan penelitian, atau menguji hipotesis yang telah dirumuskan sebelumnya .
Tahap ini digunakan untuk memastikan bahwa data yang diperoleh sesuai dengan kebutuhan penelitian, sehingga analisis yang dilakukan dapat memberikan hasil yang valid, reliabel, dan dapat diandalkan.
Terlepas dari bidang studi atau preferensi untuk mendefinisikan data .
uantitatif, kualitati.
, pengumpulan data yang akurat sangat penting untuk menjaga integritas penelitian .
Penelitian ini menggunakan data sekunder yang diambil dari Kaggle, sebuah platform berbasis komunitas yang menyediakan berbagai dataset dari beragam sumber.
Dataset yang digunakan terdiri dari 33924 baris, dengan total 17 atribut sebelum proses pra-pemrosesan.
Data ini dikumpulkan berdasarkan Survei Demografi dan Kesehatan 2018 pada anak usia 0-59 bulan di Nigeria .
Meskipun data berasal dari Nigeria (DHS 2.
, variabel yang digunakan universal dan menjadi rujukan model yang relevan di Indonesia.
Validasi lebih lanjut dengan data lokal akan menjadi fokus pengembangan sistem di masa mendatang.
Penelitian ini terdiri beberapa atribut yang datanya diambil dari situs Kaggle Dataset, yang dapat dilihat pada Tabel 1 berikut.
Tabel 1.
Deskripsi Data No.
Atribut Age in 5-year groups Type of place of residence Tipe Data Keterangan Object Object Usia dalam kelompok 5 tahun Highest educational level Object Tingkat pendidikan tertinggi Wealth index combined Object Indeks kekayaan gabungan Births in last five years Integer Jumlah kelahiran dalam lima tahun Jenis tempat tinggal Sistem Deteksi Dini Anemia pada Anak Usia 0-59 Bulan Menggunakan Nayve Bayes dan Optimasi Particle Swarm Optimization (Azzikra Ramadhanti Aksan, dk.
Teknomatika Vol.
No.
Juni 2025 ISSN: 1979-7656 e-ISSN: 3031-0865 Age of respondent at 1st birth Integer Usia responden saat kelahiran pertama Hemoglobin level adjusted for altitude and smoking, g/dl - 1 decimal Float Tingkat hemoglobin yang disesuaikan dengan ketinggian dan merokok Anemia level Object Tingkat anemia Have mosquito bed net for sleeping .
rom household questionnair.
Object Memiliki kelambu untuk tidur .
ari kuesioner rumah tangg.
Smokes cigarettes Object Status merokok Current marital status Object Status pernikahan saat ini Currently residing with husband/partner Object Saat ini tinggal bersama suami/pasangan When child put to breast Object Ketika kecil apakah menyusui? Had fever in last two weeks Object Pernah demam dalam dua minggu terakhir Hemoglobin level adjusted for altitude, g/dl - 1 decimal Float Tingkat hemoglobin yang disesuaikan dengan ketinggian Anemia level.
Object Anemia tingkat 1 Taking iron pills, sprinkles or syrup Object Mengonsumsi pil besi, taburan atau sirup Pra-Pemrosesan Tahap pra-pemrosesan adalah fase untuk mempersiapkan data mentah untuk analisis dengan mengatasi berbagai masalah seperti ketidaklengkapan, redundansi, dan inkonsistensi.
Tahap ini meningkatkan kualitas data, yang penting untuk penambangan data dan pengambilan keputusan yang Bagian berikut menguraikan komponen kunci dari pra-pemrosesan data.
Tahap ini melibatkan pembersihan data, transformasi, integrasi, dan atribusi.
Tahap ini memproses data mentah yang tidak sempurna untuk mempersiapkannya untuk analisis, memastikan data cocok untuk langkah-langkah selanjutnya seperti penambangan data dan analisis visual .
Tahap pra-pemrosesan ini dilakukan dengan menggunakan beberapa library, yaitu pandas, numpy, scikit-learn, sklearn.
preprocessing, psywarms, dan joblib.
Langkah pertama dilakukan pembersihan data dengan menghapus baris yang mengandung nilai NaN (Not a Numbe.
atau nilai yang hilang pada kolom "Anemia level.
Selain itu, atribut yang tidak relevan dengan proses klasifikasi juga dihapus seperti 'Current marital status', 'Currently residing with husband/partner', 'When child put to breast', 'Anemia level', dan 'Have mosquito bed net for sleeping .
rom household questionnair.
Selain itu, nilai yang ambigu seperti AuDonAot knowAy pada atribut AoTaking iron pills, sprinkles or syrupAo dihapus, karena nilai tersebut tidak termasuk dalam data kategorikal biner, yang seharusnya berisi nilai AuYaAy atau AuTidakAy.
Selanjutnya, dilakukan transformasi data dengan meng-encode atribut nominal menjadi atribut numerik.
Atribut yang di-encode antara lain: 'Highest educational level', 'Type of place of residence', 'Wealth index combined', 'Smokes cigarettes', 'Had fever in last two weeks', dan 'Taking iron pills, sprinkles or syrup'.
Pemodelan dan Pengujian Tahap pemodelan dan pengujian adalah fase kritis dalam pengembangan sistem rekayasa, yang mencakup penciptaan representasi matematika dan validasi selanjutnya dari model-model ini melalui pengujian eksperimental.
Tahap ini memastikan bahwa sistem yang dirancang memenuhi kriteria kinerja yang ditentukan dan berfungsi sebagaimana dimaksudkan dalam aplikasi dunia Tahap pemodelan dan pengujian melibatkan pengembangan model, mengeksplorasi ruang parameter, dan melakukan simulasi untuk memahami interaksi dalam model .
Penerapan algoritma yang sesuai akan sangat mempengaruhi pemodelan dan pengujian.
Algoritma yang digunakan adalah Nayve Bayes.
Nayve Bayes memiliki beberapa keunggulan seperti akurat, cepat dan Banyak peneliti telah melakukan klasifikasi pendapat menggunakan Nayve Bayes .
https://ejournal.
id/index.
php/teknomatika ISSN: 1979-7656 e-ISSN: 3031-0865 Selanjutnya dilakukan perhitungan menggunakan model GaussianNB.
Namun untuk meningkatkan akurasi dan performa metode Nayve Bayes, penelitian ini menggabungkannya dengan Particle Swarm Optimization (PSO) .
Particle Swarm Optimization (PSO) adalah teknik optimasi yang sangat sederhana untuk menerapkan dan memvariasikan beberapa parameter .
PSO menggunakan mekanisme swarm intelligence, di mana di mana setiap partikel menunjukkan solusi potensial dan akan bergerak di ruang pencarian berdasarkan dua faktor utama, yaitu posisi terbaik yang pernah ditemukan oleh partikel .
dan posisi terbaik dari keseluruhan partikel .
Rumus berikut digunakan untuk menghitung pergerakan partikel .
= w.
- x.
) c2.
best - x.
) x.
= x.
Dimana v.
adalah kecepatan partikel pada iterasi ke-i, x.
adalah posisi partikel saat ini, w adalah bobot inersia, c1 dan c2 adalah konstanta pembelajaran, dan R adalah bilangan random.
Nayve Bayes adalah algoritma klasifikasi probabilistik yang didasarkan pada Teorema Bayes dan menganggap bahwa setiap fitur independen.
Untuk menghitung probabilitas posterior, model ini menggunakan formula berikut .
P(C|X) = P(X|C) x P(C) / P(X) PSO digunakan untuk mengoptimalkan subset fitur dan/atau parameter Nayve Bayes.
Dalam hal ini.
PSO memilih kombinasi fitur terbaik untuk memaksimalkan fungsi objektif berupa akurasi validasi.
Evaluasi dan Hasil Tahap evaluasi dalam penambangan data sangat penting untuk menilai efektivitas dan akurasi model dan teknik yang diterapkan untuk mengekstrak wawasan yang bermakna dari data.
Tahap ini melibatkan berbagai metodologi dan kerangka kerja untuk memastikan bahwa hasil yang diperoleh dapat diandalkan dan dapat diterapkan.
Bagian berikut menguraikan aspek-aspek kunci dari tahap evaluasi dan hasilnya dalam penambangan data.
Particle Swarm Optimization (PSO) adalah algoritma optimasi yang terinspirasi oleh perilaku sosial kawanan burung dan ikan .
Dalam konteks penelitian ini.
PSO digunakan untuk mengoptimalkan parameter model Nayve Bayes, dengan tujuan meningkatkan akurasi deteksi anemia.
PSO antara lain meningkatkan bobot atribut dari setiap atribut atau variabel yang digunakan, pemilihan atribut, dan seleksi fitur .
Dalam evaluasi model dilakukan menggunakan confusion matrix untuk menghitung akurasi, precision, recall.
F1-score .
Selain itu.
Area Under the Curver (AUC) digunakan untuk mengukur kemamuan model dalam membedakan antar kelas .
Hasil evaluasi ditampilkan dalam bentuk tabel dan visualisasi, seperti classification report dan confusion matrix, untuk menunjukkan performa klasifikasi pada masing-masing kategori tingkat anemia: tidak anemia, ringan, sedang, dan parah.
Pengembangan Aplikasi Tahapan pengembangan aplikasi adalah serangkaian proses yang dilakukan untuk membuat aplikasi, mulai dari perencanaan hingga penerapan.
Pengembangan aplikasi ini bertujuan untuk menciptakan platform berbasis web yang mendeteksi dini anemia pada anak usia 0-59 bulan.
HASIL DAN PEMBAHASAN
Pengumpulan Data Gambar 2.
menunjukkan visualisasi distribusi tingkat anemia pada anak usia 0-59 bulan berdasarkan dataset.
Tingkat anemia dibagi menjadi empat, yaitu 31,2% Not Anemic .
idak anemi.
, 27,1% Mild .
, 38,5% Moderate .
, 3,2% Severe .
Mayoritas anak dalam data mengalami anemia tingkat sedang, yang menjadi dasar penting dalam pengembangan model deteksi.
Ketidakseimbangan distribusi kelas ini menjadi tantangan tersendiri dalam proses klasifikasi, sehingga pemilihan metode dan proses optimasi model menjadi penting untuk menghindari bias terhadap kelas mayoritas.
Sistem Deteksi Dini Anemia pada Anak Usia 0-59 Bulan Menggunakan Nayve Bayes dan Optimasi Particle Swarm Optimization (Azzikra Ramadhanti Aksan, dk.
Teknomatika Vol.
No.
Juni 2025 ISSN: 1979-7656 e-ISSN: 3031-0865 Gambar 2.
Distribusi Tingkat Anemia Pra-Pemrosesan Setelah dilakukan pembersihan data dan transformasi, total dataset yang digunakan yaitu 10151 dengan 11 atribut antara lain AoAge in 5-year groupsAo.
AoType of place of residenceAo.
AoHighest educational levelAo.
AoWealth index combinedAo.
AoBirths in last five yearsAo.
AoAge of respondent at first birthAo.
AoHemoglobin level adjusted for altitude and smoking .
/dl - 1 decima.
Ao.
AoSmokes cigarettesAo.
AoHad fever in last two weeksAo.
AoHemoglobin level adjusted for altitude .
/dl - 1 decima.
Ao, dan AoTaking iron pills, sprinkles or syrupAo.
Dan terdiri dari 1 label yaitu AoLevel Anemia.
1Ao.
Kemudian seluruh atribut dikonversi ke bentuk numerik, sehingga siap digunakan dalam proses pelatihan model klasifikasi.
Pemodelan dan Pengujian Model yang digunakan dalam penelitian ini adalah klasifikasi menggunakan algoritma Nayve Bayes, yang diimplementasikan menggunakan bahasa pemrograman Python pada platform Google Colab.
Pada tahap pemisahan data, dataset dibagi menjadi data latih 80% dan data uji 20% dengan menggunakan fungsi train_test_split dari pustaka scikit-learn.
Parameter random_seed=42 digunakan untuk memastikan pembagian data yang konsisten.
Pada tahap pemodelan, algoritma Nayve Bayes diterapkan pada data latih untuk membangun model klasifikasi anemia.
Model ini kemudian dioptimasi menggunakan algoritma Particle Swarm Optimization (PSO) dengan populasi sebanyak 20 partikel.
PSO merupakan metode optimasi berbasis populasi yang meniru perilaku sosial kawanan burung dalam mencari solusi terbaik.
Setiap partikel merepresentasikan kandidat solusi yang bergerak di ruang pencarian parameter model, memperbarui posisi dan kecepatannya berdasarkan pengalaman terbaik partikel tersebut dan pengalaman terbaik seluruh populasi.
Dalam konteks optimasi Nayve Bayes.
PSO digunakan untuk menemukan kombinasi parameter yang memaksimalkan akurasi model, seperti bobot fitur dan threshold klasifikasi.
Proses ini dilakukan secara iteratif hingga konvergen pada solusi optimal.
Dengan demikian.
PSO membantu meningkatkan kemampuan model dalam mengenali pola data yang kompleks dan mengurangi bias terhadap kelas mayoritas.
Setelah proses optimasi, model yang telah diperbarui diuji pada data uji menggunakan metrik evaluasi seperti akurasi, presisi, dan recall.
Pengujian ini memastikan bahwa model Nayve Bayes PSO yang dihasilkan mampu memberikan prediksi yang lebih akurat dan efektif dalam mendeteksi anemia dibandingkan dengan Nayve Bayes tanpa optimasi.
Evaluasi dan Hasil Hasil evaluasi menunjukkan bahwa akurasi model Nayve Bayes mencapai 92,17%, sedangkan setelah dioptimasi dengan Particle Swarm Optimization (PSO), akurasi meningkat menjadi 95,71%.
https://ejournal.
id/index.
php/teknomatika ISSN: 1979-7656 e-ISSN: 3031-0865 Peningkatan akurasi sebesar 3,54% ini menunjukkan bahwa penerapan PSO berhasil meningkatkan performa model.
Tabel 2.
Perbandingan Nilai Akurasi dan Area Under the Curve (AUC) Nilai Akurasi
AUC
Nayve Bayes Nayve Bayes dengan PSO
92,17%
0,992
95,71%
0,998
Klasifikasi report PSO juga menunjukkan bahwa model yang dihasilkan memiliki performa yang sangat baik, dengan akurasi 96%, serta nilai precision, recall, dan F1-score yang rata-rata di atas 90% untuk masing-masing kelas.
Area Under the Curve (AUC) yang sangat tinggi juga menunjukkan kemampuan model yang sangat baik dalam membedakan antara kelas-kelas yang ada.
Namun, meskipun model menunjukkan performa yang sangat baik secara keseluruhan, masih terdapat ruang untuk perbaikan, terutama pada kelas 1, yang memiliki precision sedikit lebih rendah .
Meskipun demikian, recall untuk kelas 1 tetap sangat baik dengan nilai 0.
99, yang menunjukkan bahwa model sangat sensitif dalam mendeteksi kelas tersebut.
Peningkatan akurasi dan AUC setelah penerapan PSO disebabkan oleh kemampuannya dalam mengoptimalkan parameter dan bobot atribut pada model Nayve Bayes.
Dengan menyesuaikan parameter tersebut secara iteratif.
PSO membantu model beradaptasi lebih baik terhadap karakteristik data, termasuk distribusi kelas yang tidak seimbang.
Hal ini menghasilkan klasifikasi yang lebih akurat dan sensitif, terutama dalam membedakan tingkat anemia pada data yang kompleks.
Pengembangan Aplikasi Aplikasi ini dirancang untuk mempermudah akses deteksi anemia anak usia 0-59 bulan tanpa memerlukan alat laboratorium kompleks.
Dengan mengintegrasikan algoritma Nayve Bayes yang dioptimasi menggunakan Particle Swarm Optimization (PSO) serta menggunakan framework Flask, aplikasi ini meningkatkan akurasi prediksi anemia berdasarkan data medis.
Selain menyediakan antarmuka yang ramah pengguna, aplikasi ini mendukung deteksi dini dan intervensi tepat, sehingga berkontribusi pada upaya menurunkan prevalensi anemia.
Gambar 3.
menunjukkan antarmuka awal aplikasi berbasis web untuk deteksi tingkat anemia.
Antarmuka ini menyambut pengguna dengan pesan utama yang menekankan tujuan aplikasi dalam membantu pengguna mengetahui tingkat anemia anak dengan akurasi tinggi.
Terdapat deskripsi singkat mengenai pentingnya deteksi dini anemia pada anak, yang menjelaskan dampak anemia terhadap pertumbuhan dan perkembangan anak, serta urgensi untuk mengambil tindakan cepat guna mencegah komplikasi kesehatan yang lebih serius.
Selain itu, terdapat tombol aksi dengan label "Gratis.
Ayo Cek Sekarang," yang memudahkan pengguna untuk langsung memulai proses deteksi anemia melalui aplikasi ini.
Gambar 3 Tampilan Awal Aplikasi Gambar 4.
menunjukkan tampilan form deteksi anemia pada aplikasi berbasis web.
Form ini dirancang untuk mengumpulkan data pengguna yang relevan sebagai langkah awal dalam proses analisis dan deteksi anemia.
Data yang diminta mencakup berbagai aspek, seperti data demografis Sistem Deteksi Dini Anemia pada Anak Usia 0-59 Bulan Menggunakan Nayve Bayes dan Optimasi Particle Swarm Optimization (Azzikra Ramadhanti Aksan, dk.
Teknomatika Vol.
No.
Juni 2025 ISSN: 1979-7656 e-ISSN: 3031-0865 .
sia anak, jenis tempat tinggal, dan riwayat pendidikan tertinggi orang tu.
, kondisi sosial ekonomi .
ndeks pendapatan keluarga dan jumlah anak dalam lima tahun terakhi.
, serta data kesehatan dan riwayat medis .
sia ibu saat melahirkan anak pertama, tingkat hemoglobin, kebiasaan merokok, riwayat demam dalam dua minggu terakhir, dan penggunaan obat-obata.
Form ini bertujuan untuk mengidentifikasi faktor risiko anemia yang akan dianalisis lebih lanjut menggunakan algoritma Nayve Bayes yang dioptimasi dengan Particle Swarm Optimization (PSO).
Setelah pengguna mengisi semua kolom yang tersedia, proses deteksi dapat dimulai dengan menekan tombol "Cek.
" Hasil prediksi anemia akan disajikan berdasarkan analisis data yang Gambar 4.
Form Deteksi Anemia Gambar 5.
menunjukkan hasil deteksi anemia dalam bentuk pop-up.
Pop-up ini memberikan informasi mengenai tingkat anemia yang terdeteksi.
Hasil deteksi dapat mengklasifikasikan tingkat anemia menjadi beberapa kategori, seperti tidak anemia, sedang, ringan, atau parah.
Dengan demikian, pengguna dapat langsung mengetahui kondisi anemianya berdasarkan hasil yang Gambar 5.
Hasil Form Deteksi Anemia https://ejournal.
id/index.
php/teknomatika ISSN: 1979-7656 e-ISSN: 3031-0865
KESIMPULAN
Penelitian ini telah berhasil mengembangkan model klasifikasi anemia pada anak usia 0-59 bulan menggunakan algoritma Nayve Bayes yang dioptimasi dengan Particle Swarm Optimization (PSO).
Data yang digunakan mencakup berbagai atribut terkait usia, pendidikan, status sosial ekonomi, dan kondisi medis anak serta ibu.
Tahap pra-pemrosesan data melibatkan pembersihan data, penghapusan atribut yang tidak relevan, dan transformasi atribut nominal menjadi numerik.
Model Nayve Bayes menunjukkan akurasi sebesar 92,17%, yang meningkat menjadi 95,71% setelah dioptimasi dengan PSO, menghasilkan peningkatan akurasi sebesar 3,54%.
Evaluasi model menunjukkan bahwa meskipun akurasi dan Area Under Curve (AUC) sangat tinggi, masih ada ruang untuk perbaikan, terutama pada kelas 1 yang memiliki precision sedikit lebih rendah meskipun recall tetap sangat baik.
Peningkatan performa ini menggarisbawahi efektivitas PSO dalam meningkatkan akurasi prediksi anemia.
Aplikasi yang dikembangkan dapat diakses dengan mudah, dirancang untuk deteksi anemia anak tanpa memerlukan alat laboratorium kompleks, dan berfungsi dengan baik di daerah dengan fasilitas terbatas.
Meskipun aplikasi telah dikembangkan dan diuji secara teknis, masih ada keterbatasan dalam pengujian berbasis pengguna akhir atau di Untuk mengetahui seberapa efektif sistem, rencana selanjutnya akan melakukan validasi oleh pengguna awam dan tenaga medis di posyandu.
KONTRIBUSI PENELITIAN
Kontribusi penelitian ini terhadap bidang deteksi anemia anak-anak terletak pada pengembangan model klasifikasi yang akurat menggunakan algoritma Nayve Bayes yang dioptimasi dengan PSO, yang dapat diterapkan di daerah dengan fasilitas terbatas.
Penelitian ini juga memperkenalkan metode baru dalam memanfaatkan data sosial ekonomi dan medis untuk meningkatkan akurasi prediksi anemia.
Dengan demikian, penelitian ini memberikan solusi praktis untuk deteksi dini anemia pada anak dan berkontribusi pada peningkatan kualitas kesehatan DAFTAR PUSTAKA