BULLETIN OF COMPUTER SCIENCE RESEARCH
ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1249-1260 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Penerapan Algoritma Naive Bayes Untuk Sistem Klasifikasi Status Gizi Bayi Balita Mohamad Ilyas Abas1,*.
Rizal Lamusu1.
Widya Eka Pranata1.
Syahrial Syahrial1.
Irawan Ibrahim1.
Wahyudin Hasyim2.
Verliana Kiayi2 1Fakultas Sains dan Ilmu Komputer.
Prodi Ilmu Komputer.
Universitas Muhammadiyah Gorontalo.
Gorontalo.
Indonesia 2Fakultas Sains dan Ilmu Komputer.
Prodi Sistem Informasi.
Universitas Muhammadiyah Gorontalo.
Gorontalo.
Indonesia Email: 1,*ilyasabas@umgo.
id, 2rizal_lamusu@umgo.
id, 3widyapranata@umgo.
id, 4syahrial@umgo.
5irawan_ibrahim@umgo.
id, 6wahyudin_hasyim@umgo.
id, 7verlianakiyai@gmail.
Email Penulis Korespondensi: ilyasabas@umgo.
AbstrakOeBayi dan balita berada pada masa pertumbuhan dan perkembangan yang sangat pesat, yang dikenal sebagai masa emas.
Pada tahap ini, penilaian status gizi secara teratur sangat penting untuk memantau kesehatan dan mendeteksi potensi masalah gizi sejak dini.
Penelitian ini bertujuan untuk mengklasifikasikan status gizi bayi dan balita menggunakan algoritma Nayve Bayes, yaitu algoritma klasifikasi berbasis probabilistik yang mengandalkan teorema Bayes dengan asumsi independensi antar atribut.
Atribut utama yang digunakan dalam sistem klasifikasi ini meliputi umur, berat badan, dan tinggi badan.
Dataset yang digunakan terdiri atas 700 data bayi dan balita yang dikumpulkan dari hasil observasi sebelumnya.
Hasil penelitian menunjukkan bahwa algoritma Nayve Bayes dapat diimplementasikan secara efektif untuk klasifikasi status gizi, dengan tingkat akurasi sistem mencapai 88,14%.
Hal ini menunjukkan bahwa metode ini memiliki kinerja yang baik dan berpotensi digunakan dalam sistem pendukung keputusan di bidang kesehatan anak.
Kata Kunci: Status Gizi.
Bayi dan Balita.
Nayve Bayes.
Klasifikasi Data.
Sistem Informasi Gizi AbstractOeInfants and toddlers are in a critical period of rapid growth and development, often referred to as the "golden age.
" During this stage, regular nutritional assessments are essential to monitor health status and detect potential nutritional problems early.
This study aims to classify the nutritional status of infants and toddlers using the Nayve Bayes algorithm, a probabilistic classification method based on Bayes' theorem with a strong assumption of attribute independence.
The main attributes used in the classification system include age, weight, and height.
The dataset consists of 700 records of infants and toddlers collected from previous observations.
The results show that the Nayve Bayes algorithm can be effectively implemented for nutritional status classification, achieving a system accuracy of 88.
This indicates that the method performs well and has the potential to be utilized in decision support systems for child health monitoring.
Keywords: Nutritional Status.
Infants and Toddlers.
Nayve Bayes Algorithm.
Data Classification.
Nutrition Information System
PENDAHULUAN
Kesehatan anak sangat mempengaruhi pertumbuhan dan perkembangan mereka.
Sehingga sangat penting untuk memperhatikan sejak awal mulai dari kandungan.
Anak-anak yang mendapatkan asupan gizi yang seimbang dan sehat akan berkembang menjadi individu yang berkualitas tinggi.
Memelihara kesehatan anak bertujuan untuk mencegah penyakit yang dapat menganggu perkembangan pada anak .
Tumbuh kembang adalah proses yang berkelanjutan sejak konsepsi dan berlangsung sampai orang dewasa.
Anak harus melalui tahap tumbuh kembang selama proses mencapai dewasa.
Interaksi antara faktor genetik dan lingkungan memastikan bahwa potensi biologi seseorang berkembang secara optimal.
Setiap anak memiliki karakteristik unik karena proses dan hasil akhir yang berbeda .
Sistem analisis yang dilakukan oleh pihak Puskesmas Limboto dan posyandu masih dilakukan dengan perhitungan matematis, menggunakan Kartu Menuju Sehat (KMS) untuk memantau status gizi balita, sehingga dapat memperlambat pekerjaan petugas posyandu dan pegawai puskesmas harus benar-benar teliti dalam menentukan status gizi pada balita .
Di antara faktor-faktor yang menyebabkan kesalahan perhitungan dalam menentukan status gizi balita adalah banyaknya kasus yang ditangani, dan jumlah tenaga kerja yang terbatas.
Oleh karena itu, untuk mendapatkan hasil yang akurat, harus ada metode yang digabungkan dengan ilmu komputer.
Dalam dunia kesehatan, teknologi informasi sangat membantu dan memudahkan masalah.
Para petugas posyandu dapat menggunakan teknologi informasi ini untuk menentukan status gizi bayi balita.
Sehingga dapat mengurangi tingkat kesalahan dan hasil yang didapat memiliki akurasi kebenaran yang tinggi.
Dalam penelitian ini penulis bermaksud untuk membuat sistem klasifikasi status gizi bayi dan balita, dengan tujuan dapat memudahkan para petugas posyandu untuk mengklasifikasi status gizi balita sehingga data dibuat dengan cepat dan akurat .
Selain itu, dapat menjadi lebih mudah bagi ahli gizi untuk memberikan rujukan agar pemberian Bahan Makanan Tambahan (BMT) pada balita dapat dilakukan dengan benar dengan mengidentifikasi status gizi yang baik dan buruk .
Dalam sistem klasifikasi ini menggunakan metode Naive Bayes digunakan karena klasifikasi Naive Bayes mudah digunakan dan cepat, dan hasil probabilitasnya mendekati nilai keakuratan.
Keterbatasan Otomatisasi dalam Pelayanan Gizi di Tingkat Posyandu Sebagian besar penelitian sebelumnya masih berfokus pada pendataan status gizi balita secara manual atau semi-digital, tanpa adanya sistem klasifikasi otomatis yang berbasis algoritma machine learning.
Hal ini menyebabkan proses klasifikasi status gizi membutuhkan waktu lama dan rawan kesalahan manusia .
Minimnya Implementasi Nayve Bayes dalam Konteks Lokal (Puskesmas/Posyand.
Walaupun algoritma Nayve Bayes sudah digunakan dalam berbagai aplikasi klasifikasi kesehatan, belum banyak penelitian yang secara spesifik Copyright A 2025 The Author.
Page 1249 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1249-1260 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
mengimplementasikan metode ini pada sistem klasifikasi status gizi bayi dan balita dalam konteks pelayanan posyandu atau puskesmas di daerah, seperti di Puskesmas Limboto.
Sehingga adaptabilitas dan efektivitasnya di lingkungan kerja nyata belum banyak diuji .
Kurangnya Integrasi Data Historis Gizi dan Faktor Penentu Gizi Balita, beberapa studi t erdahulu belum menggabungkan berbagai variabel penentu status gizi secara menyeluruh .
eperti berat badan, tinggi badan, usia, jenis kelamin, dan riwayat kesehata.
, yang dapat meningkatkan akurasi klasifikasi.
Masih banyak sistem yang hanya mengandalkan satu atau dua parameter gizi tanpa pemodelan statistik lanjut .
Tidak Adanya Evaluasi Perbandingan Akurasi antara Metode Manual dan Algoritmik, penelitian sebelumnya jarang membandingkan secara langsung hasil klasifikasi manual yang dilakukan oleh petugas posyandu dengan hasil klasifikasi dari sistem berbasis Nayve Bayes.
Akibatnya, belum ada data konkrit yang menunjukkan tingkat efisiensi dan akurasi dari sistem berbasis algoritma dibandingkan dengan sistem tradisional .
Kurangnya User Interface yang Ramah Petugas Posyandu dalam Aplikasi Klasifikasi Gizi, sebagian besar aplikasi klasifikasi gizi yang telah dikembangkan belum memperhatikan aspek antarmuka pengguna .
ser interfac.
yang sesuai dengan kemampuan digital petugas posyandu.
Hal ini menyebabkan aplikasi yang ada sulit dioperasikan oleh petugas yang tidak memiliki latar belakang teknologi informasi, sehingga penggunaannya tidak berkelanjutan dan kurang berdampak dalam praktik pelayanan gizi di lapangan .
Berdasarkan uraian di atas, dapat dijelaskan bahwa masih terdapat berbagai kendala dalam proses klasifikasi status gizi bayi dan balita di tingkat posyandu.
Proses yang selama ini dilakukan secara manual menggunakan Kartu Menuju Sehat (KMS) terbukti kurang efisien dan rawan kesalahan, terutama ketika jumlah balita yang ditangani cukup banyak dan tenaga kerja terbatas.
Hal ini menunjukkan adanya kebutuhan mendesak akan sistem otomatis yang dapat membantu mempermudah proses klasifikasi gizi secara cepat, tepat, dan akurat .
Sejumlah penelitian sebelumnya memang telah mengembangkan sistem berbasis machine learning dalam bidang kesehatan, namun belum banyak yang secara spesifik mengimplementasikan metode Nayve Bayes dalam konteks lokal pelayanan kesehatan seperti posyandu atau puskesmas.
Selain itu, pemanfaatan data historis balita secara komprehensif dan integrasi beberapa variabel penting .
erat badan, tinggi badan, usia, jenis kelami.
masih terbatas, sehingga sistem yang ada belum dapat menggambarkan status gizi secara menyeluruh .
Salah satu aspek penting yang juga masih kurang diperhatikan adalah antarmuka sistem.
Aplikasi yang terlalu teknis dan tidak ramah pengguna seringkali sulit dioperasikan oleh petugas posyandu yang umumnya bukan berasal dari latar belakang teknologi informasi.
Padahal, keberhasilan implementasi sistem berbasis teknologi sangat bergantung pada kemudahan penggunaan oleh pemangku kepentingan di lapangan .
Dengan demikian, penelitian ini memiliki urgensi dan nilai tambah yang tinggi karena berupaya menjawab berbagai celah .
yang ada dengan merancang sistem klasifikasi status gizi balita berbasis Nayve Bayes yang akurat, efisien, serta dilengkapi antarmuka yang ramah pengguna.
Sistem ini diharapkan dapat menjadi solusi inovatif dalam menunjang pelayanan gizi di posyandu dan meningkatkan kualitas pemantauan tumbuh kembang anak di Indonesia, khususnya di wilayah kerja Puskesmas Limboto .
METODOLOGI PENELITIAN
1 Tahapan Penelitian Penelitian ini dilakukan dengan tahapan yang sistematis untuk menghasilkan sistem klasifikasi status gizi bayi dan balita yang akurat dan mudah digunakan.
Berikut tahapan penelitian yang dilaksanakan:
Studi Literatur dan Analisis Kebutuhan Tahap awal dilakukan studi literatur terkait status gizi bayi dan balita, algoritma Nayve Bayes, dan aplikasi klasifikasi dalam bidang kesehatan.
Selain itu, dilakukan analisis kebutuhan dengan wawancara dan observasi kepada petugas Posyandu dan ahli gizi untuk memahami fitur dan fungsi yang diperlukan dalam sistem.
Pengumpulan Data Data dikumpulkan dari catatan kesehatan balita di beberapa Posyandu di wilayah penelitian.
Data yang dikumpulkan meliputi atribut utama seperti umur .
alam bula.
, berat badan .
, tinggi badan .
, serta status gizi yang telah ditentukan berdasarkan standar kesehatan.
Dataset yang digunakan berjumlah sekitar 700 data.
Preprocessing Data Data mentah yang telah dikumpulkan kemudian diproses untuk memastikan kualitasnya, meliputi pengecekan kelengkapan data, pembersihan data dari kesalahan atau outlier, dan normalisasi jika diperlukan agar sesuai dengan kebutuhan algoritma Nayve Bayes.
Perancangan Sistem Pada tahap ini, dilakukan desain sistem klasifikasi yang meliputi perancangan arsitektur sistem, antarmuka pengguna .
ser interfac.
, dan mekanisme input-output data.
Algoritma Nayve Bayes dipilih sebagai metode klasifikasi utama karena kemudahan implementasi dan efisiensi.
Implementasi Algoritma Nayve Bayes Copyright A 2025 The Author.
Page 1250 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1249-1260 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Pengkodean algoritma Nayve Bayes dilakukan untuk mengklasifikasikan status gizi bayi dan balita berdasarkan data atribut yang telah diinput.
Sistem dibangun menggunakan bahasa pemrograman dan platform yang sesuai untuk mendukung kebutuhan pengguna.
Pengujian dan Evaluasi Sistem Sistem diuji menggunakan data uji yang dipisahkan dari dataset awal untuk mengukur akurasi, presisi, recall, dan nilai kinerja lain yang relevan.
Hasil pengujian dibandingkan dengan standar klasifikasi gizi dan penelitian sebelumnya untuk memastikan validitas.
Implementasi dan Pelatihan Pengguna Setelah sistem dinyatakan siap, dilakukan implementasi di Posyandu terpilih serta pelatihan kepada petugas mengenai penggunaan sistem, mulai dari penginputan data hingga interpretasi hasil klasifikasi.
Monitoring dan Pemeliharaan Tahap terakhir adalah monitoring penggunaan sistem dalam kegiatan sehari-hari serta pemeliharaan untuk perbaikan dan pengembangan lebih lanjut berdasarkan masukan dari pengguna.
2 Pengumpulan data Dalam bidang kesehatan, parameter antropometri yang digunakan untuk mengukur status gizi pada seseorang.
Antropometri digunakan untuk mengukur tingkat gizi seseorang dengan berbagai parameter.
Ukuran tubuh manusia termasuk berat badan, tinggi badan, dan umur .
Menurut Peraturan .
menetapkan bahwa Untuk menentukan status gizi anak.
Standar Antropometri Anak digunakan untuk membandingkan hasil pengukuran anak sesuai dengan Standar Antropometri Anak.
Tabel 1.
Kategori dan Ambang Batas Status Gizi Anak
Indeks Kategori Status Gizi
Berat
(BB/U)
Badan Umur Tinggi (TB/U) Badan Umur Berat Badan menurut Tinggi Badan (BB/TB) Berat badan sangat kurang Berat badan kurang Berat badan normal Risiko berat badan lebih Sangat pendek Pendek Normal Tinggi Gizi buruk Gizi kurang Gizi baik Risiko gizi lebih Gizi lebih Obesitas Ambang Batas (ZScor.
<-3 SD
-3 SD sd <-2SD -2 SD sd 1 SD
> 1 SD
<-3 SD
-3 SD sd <-2 SD
-2 SD sd 3 SD
> 3 SD
<-3 SD
-3 SD sd <-2 SD
-2 SD sd 1 SD
> 1 SD sd 2 SD
> 2 SD sd 3 SD
> 3 SD
3 Algoritma Nayve Bayes Metode Naive Bayes adalah teknik pengklasifikasian yang sangat sederhana yang menggunakan metode probabilitas dan statistik yang diciptakan oleh ilmuwan Inggris Thomas Bayes.
Ini memulai dengan mengklasifikasikan atribut dan menghitung nilai probabilitas dan kemungkinan maksimum untuk setiap atribut .
Probabilitas Prior Persamaan probabilitas prior, yaitu:
ycAyc
P(H) =
ycA Keterangan :
Nj : Jumlah data pada suatu class.
N : Jumlah total data Probabilitas Posterior Contoh umum dari teorema Bayes adalah sebagai berikut :
ycU ) = ycE.
a )ycE.
cU) Dimana :
: Data dengan kelas yang belum diketahui.
: Dengan hipotesis bahwa data X merupakan kelas spesifik.
P(H|X) : Adalah probabilitas hipotesis H berdasarkan kondisi X.
P(H)
: Probabilitas hipotesis H.
Copyright A 2025 The Author.
Page 1251 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1249-1260 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
P(X|H) : Probabilitas X berdasarkan kondisi hipotesis H.
P(X)
: Probabilitas dari X Nilai probabilitas sampel dalam satu class dan nilai probabilitas sampel dalam class lain dapat dibandingkan untuk menentukan kelas.
Nilai posterior dari masing-masing class dibandingkan, dan class dengan nilai posterior tertinggi dianggap yang paling cocok untuk sampel.
HASIL DAN PEMBAHASAN
11 Data Uji Data balita yang diperoleh digunakan dalam penelitian ini dari Pusat Kesehatan Masyarakat Limboto mengenai karakteristik kondisi status gizi balita sebanyak 700 balita beusia 0 Ae 59 bulan disajikan dalam tabel berikut.
Tabel 2 atas merupakan data awal atau data mentah yang belum melalui proses pembersihan.
Tabel 2.
Data Awal A Umur (Bula.
Berat Badan (K.
Tinggi Badan (C.
Status Gizi Baik Gizi Baik Gizi Baik Gizi Baik Gizi Baik Gizi Baik Gizi Baik Gizi Baik Risiko Gizi Lebih Gizi Baik A.
Gizi Baik Gizi Baik Tabel 3.
Data Hasil Normalisasi Umur (Bula.
Balita Bayi Bayi Bayi Balita Balita Bayi Bayi Bayi Bayi Bayi Bayi Berat Badan (K.
Kurang Berat badan normal Sangat Kurang Berat badan normal Berat badan normal Berat badan normal Berat badan normal Berat badan normal Risiko Lebih Berat badan normal Berat badan normal Berat badan normal Tinggi Badan (C.
Pendek Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Status Gizi Gizi Baik Gizi Baik Gizi Buruk Gizi Baik Gizi Baik Gizi Baik Gizi Baik Gizi Baik Risiko Gizi Lebih Gizi Baik A Gizi Baik Gizi Baik Tabel 3 di atas merupakan hasil dari data awal yang sudah di normalisasi, yaitu atribut yang dianggap tidak berpengaruh dalam perhitungan data telah dihilangkan.
Dimana nilai yang digunakan berdasarkan standar antropometri 2 Penerapan Algrotirma Nayve Bayes Peneliti menggunakan algoritma nayve bayes untuk melakukan klasifikasi dengan menggunakan sampel 25 data latih dan 1 data uji.
Dapat dilihat pada tabel berikut.
Tabel 4.
Data Training dan Testing Umur Balita Balita Bayi Balita Balita Bayi Berat Badan Berat badan normal Kurang Kurang Kurang Berat badan normal Berat badan normal Tinggi Badan Normal Sangat Pendek Sangat Pendek Normal Normal Tinggi Status Gizi Gizi Baik Gizi Baik Gizi Baik Gizi Baik Gizi Baik Gizi Buruk Ket Training Training Training Training Training Training Copyright A 2025 The Author.
Page 1252 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1249-1260 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
No Umur Berat Badan Tinggi Badan Status Gizi Ket 7 Balita Sangat Kurang Normal Gizi Buruk Training Bayi Sangat Kurang Normal Gizi Buruk Training 9 Balita Sangat Kurang Normal Gizi Buruk Training 10 Bayi Sangat Kurang Normal Gizi Buruk Training 11 Bayi Kurang Normal Gizi Kurang Training 12 Balita Kurang Pendek Gizi Kurang Training 13 Balita Sangat Kurang Pendek Gizi Kurang Training 14 Bayi Sangat Kurang Pendek Gizi Kurang Training 15 Balita Sangat Kurang Pendek Gizi Kurang Training 16 Bayi Kurang Sangat Pendek Risiko Gizi Lebih Training 17 Balita Berat badan normal Normal Risiko Gizi Lebih Training 18 Bayi Berat badan normal Normal Risiko Gizi Lebih Training 19 Balita Risiko Lebih Normal Risiko Gizi Lebih Training 20 Bayi Risiko Lebih Normal Risiko Gizi Lebih Training 21 Balita Risiko Lebih Normal Gizi Lebih Training 22 Balita Berat badan normal Normal Gizi Lebih Training 23 Bayi Berat badan normal Normal Gizi Lebih Training 24 Bayi Risiko Lebih Pendek Gizi Lebih Training 25 Bayi Kurang Sangat Pendek Gizi Lebih Training 26 Balita Kurang Pendek Testing Berdasarkan Tabel jumlah training digunakan pada percobaan dengan menggunakan algoritma nayve bayes dengan 25 data training sampel dan 1 data testing.
Dengan menggunakan rumus pada 2.
6 untuk menghitung probabilitas masing-masing kategori sebagai berikut.
Menghitung jumlah class/label P (Y = Gizi Bai.
= 5/25 Au jumlah data gizi baik dibagi dengan jumlah keseluruhan dataAy.
P (Y = Gizi Buru.
= 5/25 Aujumlah data gizi buruk dibagi dengan jumlah keseluruhan dataAy.
P (Y = Gizi Kuran.
= 5/25 Au jumlah data gizi kurang dibagi dengan jumlah keselurahan dataAy.
P (Y = Risiko Gizi Lebi.
= 5/25 Aujumlah data risiko gizi lebih dibagi dengan jumlah keselurahn dataAy.
P (Y = Gizi Lebi.
= 5/25 Aujumlah data gizi lebih dibagi dengan jumlah keseluruhan dataAy.
Menghitung jumlah kasus yang sama dengan class yang sama.
P (Umur = Bay.
Y= Gizi Bai.
= 1/5 P (Umur = Bay.
Y= Gizi Buru.
= 3/5 P (Umur = Bay.
|Y= Gizi Kuran.
= 2/5 P (Umur = Bay.
Y= Risiko Gizi Lebi.
= 3/5 P (Umur = Bay.
Y= Gizi Lebi.
= 4/5 P (Umur = Balit.
Y= Gizi Bai.
= 4/5 P (Umur = Balit.
Y= Gizi Buru.
= 2/5 P (Umur = Balit.
Y= Gizi Kuran.
= 3/5 P (Umur = Balit.
Y=R isiko Gizi Lebi.
= 2/5 P (Umur = Balit.
Y= Gizi Lebi.
= 2/5 P (BB = Sangat Kuran.
Y= Gizi Bai.
= 05 P (BB = Sangat Kuran.
Y= Gizi Buru.
= 4/5 P (BB = Sangat Kuran.
Y= Gizi Kuran.
= 3/5 P (BB = Sangat Kurang |Y= Risiko Gizi Lebi.
= 0/5 P (BB = Sangat Kurang |Y= Gizi Lebi.
= 0/5 P (BB = Kuran.
Y= Gizi Bai.
= 3/5 P (BB = Kuran.
Y= Gizi Buru.
= 0/5 P (BB = Kuran.
Y= Gizi Kuran.
= 2/5 P (BB = Kuran.
Y= Risiko Gizi Lebi.
= 1/5 P (BB = Kuran.
Y= Gizi Lebi.
= 1/5 P (BB = Berat Badan Norma.
Y= Gizi Bai.
= 2/5 P (BB = Berat Badan Norma.
Y= Gizi Buru.
= 1/5 P (BB = Berat Badan Norma.
Y= Gizi Kuran.
= 0/5 P (BB = Berat Badan Norma.
Y= Risiko Gizi Lebi.
= 2/5 P (BB = Berat Badan Norma.
Y= Gizi Lebi.
= 1/5 P (BB = Risiko Lebi.
Y= Gizi Bai.
= 0/5 P (BB = Risiko Lebi.
Y= Gizi Buru.
= 0/5 P (BB = Risiko Lebi.
Y= Gizi Kuran.
= 0/5 P (BB = Risiko Lebi.
Y= Risiko Gizi Lebi.
= 2/5 P (BB = Risiko Lebi.
Y= Gizi Lebi.
= 2/5 P (TB = Sangat Pende.
Y= Gizi Bai.
= 2/5 Copyright A 2025 The Author.
Page 1253 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1249-1260 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
P (TB = Sangat Pende.
Y= Gizi Buru.
= 0/5 P (TB = Sangat Pende.
Y= Gizi Kuran.
= 0/5 P (TB = Sangat Pende.
Y= Risiko Gizi Lebi.
= 1/5 P (TB = Sangat Pende.
Y= Gizi Lebi.
= 1/5 P (TB = Pende.
Y= Gizi Bai.
= 0/5 P (TB = Pende.
Y= Gizi Buru.
= 0/5 P (TB = Pende.
Y= Gizi Kuran.
= 4/5 P (TB = Pende.
Y= Risiko Gizi Lebi.
= 0/5 P (TB = Pende.
Y= Gizi Lebi.
= 1/5 P (TB = Norma.
Y= Gizi Bai.
= 3/5 P (TB = Norma.
Y= Gizi Buru.
= 4/5 P (TB = Norma.
Y= Gizi Kuran.
= 1/5 P (TB = Norma.
Y= Risiko Gizi Lebi.
= 4/5 P (TB = Norma.
Y= Gizi Lebi.
= 3/5 P (TB = Tingg.
Y= Gizi Bai.
= 0/5 P (TB = Tingg.
Y= Gizi Buru.
= 1/5 P (TB = Tingg.
Y= Gizi Kuran.
= 0/5 P (TB = Tingg.
Y= Risiko Gizi Lebi.
= 0/5 P (TB = Tingg.
Y= Gizi Lebi.
= 0/5 Setelah itu kalikan semua hasil disetiap variabel.
Hasil Gizi Baik P(Y=Gizi Bai.
* P(Umur=Balit.
Y=Gizi Bai.
* P(BB=Kuran.
Y=Gizi Bai.
* P(TB=Pende.
Y=Gizi Bai.
4 3 0
= 25 x 5 x 5 x 5 = 0,2 x 0,8 x 0,6 x 0 Hasil Gizi Buruk P(Y=Gizi Buru.
* P(Umur=Balit.
Y=Gizi Buru.
* P(BB=Kuran.
Y=Gizi Buru.
* P(TB=Pende.
Y=Gizi Buru.
= 25 x 5 x 5 x 5 = 0,2 x 0,4 x 0 x 0 Hasil Gizi Kurang P(Y= Gizi Kuran.
* P(Umur=Balit.
Y=Gizi Kuran.
* P(BB=Kuran.
Y=Gizi Kuran.
* P(TB=Pende.
Y=Gizi Kuran.
=25 x 5 x 4 x 5
=0,2 x 0,6 x 0,5 * 08
= 0,0384
Hasil Risiko Gizi Lebih P(Y=Risiko Gizi Lebi.
* P(Umur=Balit.
Y=Risiko Gizi Lebi.
* P(BB=Kuran.
Y=Risiko Gizi Lebi.
* P(TB=Pende.
Y=Risiko Gizi Lebi.
2 1 0
= x x x
5 5 5
=0,2 x 0,4 x 0,2 x 0 Hasil Gizi Lebih P(Y=Gizi Lebi.
* P(Umur=Balit.
Y=Gizi Lebi.
* P(BB=Kuran.
Y= Gizi Lebi.
* P(TB=Pende.
Y=Gizi Lebi.
2 1 1 = 25 x 5 x 5 x 5 =0,2 x 0,4 x 0,2 x 0,2 = 0.
Bandingkan hasil class status gizi baik, gizi buruk, gizi kurang, risiko gizi lebih, dan gizi lebih dari hasil di atas, terlihat bahwa hasil klasifikasi dari data di atas yaitu dengan klasifikasi status AuGizi KurangAy dengan nilai probabilitas 0,0384 karena hasil dari normalisasi nilai probabilitas tertinggi ada pada kelas gizi kurang.
3 Pengujian Data Algoritma Nayve Bayes Menggunakan Tool Rapidminer Data set yang digunakan terdiri dari 700 data bayi dan balita berusia 0 -59 bulan yang merupakan jumlah status gizi pada bayi dan balita sudah ada sebelumnya.
Copyright A 2025 The Author.
Page 1254 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1249-1260 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Tabel 5.
Pengujian Data Nayve Bayes Pred.
Gizi Baik Pred.
Gizi Buruk Pred.
Risiko Gizi Lebih Pred.
Gizi Kurang Pred.
Gizi Lebih Class recall True Gizi Baik True Gizi Buruk True Risiko Gizi Lebih True Gizi Kurang True Gizi Lebih Class Tabel 5 merupakan hasil dari pengujian algoritma Nayve Bayes menggunakan Rapidminer dengan jumlah true Gizi Baik adalah 613 diklasifikasikan Gizi Baik, 7 true Gizi Buruk diklasifikasikan Gizi Baik, 15 true Risiko Gizi Lebih diklasifikasikan Gizi Baik, 21 true gizi Kurang diklasifikasikan Gizi Baik, 0 true Gizi Buruk diklasifikasikan Gizi Buruk, 3 true Risiko Gizi Lebih diklasifikasikan Risiko Gizi Lebih, 1 true Gizi Kurang diklasifikasikan Gizi Kurang, 23 true Gizi baik diklasifikasikan Gizi Kurang.
Berdasarkan tabel 23 menunjukan bahwa tingkat akurasi dengan menggunakan algoritma Nayve Bayes sebesar 88.
4 Rancangan Sistem Usulan Gambar 1.
Use Case diagram usulan Gambar 1 menjelaskan use case Sistem klasifikasi status gizi balita berbasis metode Nayve Bayes melibatkan dua aktor utama, yaitu Admin dan User .
etugas posyand.
, yang keduanya harus melalui proses login untuk mengakses Setelah login, pengguna diarahkan ke menu awal atau dashboard yang menyediakan berbagai fitur utama.
Admin memiliki akses penuh untuk mengelola data pengguna, data kelurahan, dan data balita, sementara User dapat menginput dan melihat data balita sesuai wilayah tugasnya.
Data balita yang dimasukkan, seperti usia, berat badan, tinggi badan, dan jenis kelamin, akan diproses melalui fitur pengujian Nayve Bayes untuk menghasilkan klasifikasi status gizi secara Hasil klasifikasi ini akan menunjukkan status gizi balita .
eperti gizi baik, kurang, buruk, atau lebi.
yang dapat digunakan oleh petugas sebagai dasar dalam pemberian intervensi gizi.
Sistem ini dirancang untuk mempermudah, mempercepat, dan meningkatkan akurasi proses klasifikasi status gizi di tingkat posyandu dengan antarmuka yang ramah 5 Implementasi Program Login Gambar 2.
Tampilan Form Login Gambar 2 menunjukkan tampilan awal sistem berupa form login yang digunakan untuk mengakses sistem klasifikasi status gizi bayi dan balita.
Pada tampilan ini, pengguna .
isalnya petugas Posyandu atau ahli giz.
diminta untuk memasukkan username dan password yang telah terdaftar dalam sistem.
Fitur ini bertujuan untuk memberikan Copyright A 2025 The Author.
Page 1255 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1249-1260 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
keamanan akses dan membatasi penggunaan hanya kepada pihak-pihak yang berwenang.
Setelah berhasil login, pengguna akan diarahkan ke halaman utama sistem untuk mulai melakukan proses input data, klasifikasi, atau melihat hasil evaluasi status gizi.
Beranda Gambar 3.
Tampilan Halaman Beranda Gambar 3 memperlihatkan halaman beranda dari sistem klasifikasi status gizi bayi dan balita.
Pada halaman ini, pengguna disambut dengan tampilan antarmuka yang sederhana dan informatif.
Halaman beranda berfungsi sebagai pusat navigasi sistem, di mana pengguna dapat mengakses berbagai fitur utama seperti input data bayi dan balita, proses klasifikasi status gizi, serta melihat hasil dan laporan klasifikasi.
Tampilan ini dirancang agar user-friendly sehingga dapat digunakan dengan mudah oleh petugas Posyandu yang mungkin tidak memiliki latar belakang teknis.
Selain itu, halaman ini juga dapat menampilkan informasi singkat seperti jumlah data yang telah diklasifikasi dan notifikasi penting terkait kegiatan pemantauan gizi.
Halaman Data Pengguna Gambar 4.
Halaman Data Pengguna Gambar 4 menampilkan halaman Data Pengguna, yaitu halaman yang digunakan untuk mengelola informasi akun pengguna sistem.
Pada halaman ini, admin dapat melihat daftar seluruh pengguna yang terdaftar, termasuk nama pengguna, peran .
isalnya petugas Posyandu atau ahli giz.
, serta opsi untuk menambah, mengedit, atau menghapus data pengguna.
Fitur ini penting untuk memastikan bahwa hanya pengguna yang memiliki izin akses yang dapat menggunakan sistem.
Selain itu, pengelolaan akun yang baik juga meningkatkan keamanan dan akuntabilitas dalam penggunaan sistem klasifikasi status gizi bayi dan balita.
Halaman Tambah Data Pengguna Gambar 5.
Halaman Tambah Data Pengguna Copyright A 2025 The Author.
Page 1256 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1249-1260 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Gambar 5 menunjukkan tampilan halaman Tambah Data Pengguna, yang digunakan oleh admin untuk menambahkan akun baru ke dalam sistem.
Form ini terdiri dari beberapa isian seperti nama lengkap, username, password, dan peran pengguna .
isalnya admin, petugas Posyandu, atau ahli giz.
Tujuan dari fitur ini adalah untuk mempermudah proses registrasi pengguna baru yang akan menggunakan sistem.
Dengan adanya halaman ini, pengelolaan akun menjadi lebih efisien dan terstruktur, sehingga sistem dapat diakses dengan hak akses yang sesuai oleh masing-masing Halaman Data Kelurahan Gambar 6.
Halaman Data Kelurahan Gambar 6 menampilkan Halaman Data Kelurahan, yaitu halaman yang digunakan untuk mengelola informasi wilayah administratif tempat balita berada.
Halaman ini memungkinkan admin untuk menambahkan, mengedit, atau menghapus data kelurahan yang relevan dengan proses pemantauan status gizi.
Informasi kelurahan ini nantinya akan dihubungkan dengan data balita, sehingga dapat dilakukan klasifikasi dan analisis status gizi berdasarkan wilayah.
Fitur ini penting untuk membantu pemetaan masalah gizi di tingkat lokal dan mempermudah koordinasi intervensi di masing-masing daerah kerja Posyandu.
Halaman Data Balita Gambar 7.
Halaman Data Balita Gambar 7 memperlihatkan Halaman Data Balita, yang merupakan fitur utama dalam sistem klasifikasi status gizi.
Pada halaman ini ditampilkan daftar data balita yang telah didaftarkan ke dalam sistem, meliputi informasi seperti nama balita, umur, jenis kelamin, berat badan, tinggi badan, dan asal kelurahan.
Selain menampilkan data, halaman ini juga menyediakan fungsi untuk menambahkan, mengedit, dan menghapus data balita.
Data ini akan menjadi dasar dalam proses klasifikasi status gizi menggunakan algoritma Nayve Bayes.
Dengan adanya halaman ini, petugas Posyandu dapat mengelola dan memperbarui data balita secara berkala dengan mudah dan terstruktur.
Halaman Tambah Data Balita Gambar 8.
Halaman Tambah Data Balita Copyright A 2025 The Author.
Page 1257 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1249-1260 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Gambar 8 menunjukkan Halaman Tambah Data Balita, yaitu halaman formulir yang digunakan untuk memasukkan data balita baru ke dalam sistem.
Form ini memuat beberapa isian penting seperti nama balita, jenis kelamin, umur .
alam bula.
, berat badan .
, tinggi badan .
, serta kelurahan asal.
Data-data tersebut merupakan atribut utama yang akan digunakan oleh sistem untuk melakukan klasifikasi status gizi menggunakan algoritma Nayve Bayes.
Halaman ini dirancang agar mudah digunakan oleh petugas Posyandu sehingga proses penginputan data dapat dilakukan dengan cepat, akurat, dan konsisten.
Halaman Pengujian Gambar 9.
Tampilan Halaman Pengujian Gambar 9 memperlihatkan Tampilan Halaman Pengujian pada sistem klasifikasi status gizi bayi dan balita.
Halaman ini digunakan untuk melakukan proses pengujian klasifikasi berdasarkan data input yang dimasukkan oleh pengguna, seperti umur, berat badan, dan tinggi badan balita.
Setelah data dimasukkan, sistem akan memprosesnya menggunakan algoritma Nayve Bayes untuk menentukan status gizi balita tersebut, apakah tergolong baik, kurang, atau berisiko.
Halaman ini dirancang agar interaktif dan mudah digunakan sehingga petugas Posyandu dapat dengan cepat memperoleh hasil klasifikasi dan segera mengambil tindakan yang diperlukan.
Halaman Klasifikasi Gambar 10.
Tampilan Halaman Klasifikasi Gambar 10 menunjukkan Tampilan Halaman Klasifikasi yang menampilkan hasil klasifikasi status gizi bayi dan balita berdasarkan data yang telah diuji.
Setelah proses pengujian selesai, halaman ini memberikan informasi status gizi secara detail, seperti kategori gizi baik, kurang gizi, atau gizi lebih, yang diperoleh dari output algoritma Nayve Bayes.
Halaman ini juga menampilkan probabilitas hasil klasifikasi yang memberikan gambaran tingkat keyakinan sistem Copyright A 2025 The Author.
Page 1258 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1249-1260 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
terhadap prediksi tersebut.
Dengan adanya halaman ini, petugas Posyandu dan ahli gizi dapat dengan mudah memahami hasil klasifikasi dan menggunakan informasi tersebut untuk mengambil keputusan pemberian Bahan Makanan Tambahan (BMT) atau tindakan intervensi lainnya.
Halaman Tambah Data Klasifikasi Gambar 11.
Tampilan Tambah Data Klasifikasi Gambar 11 menampilkan halaman Tambah Data Klasifikasi, yaitu formulir yang digunakan untuk memasukkan data baru yang akan diklasifikasikan status gizinya.
Pada halaman ini, petugas dapat menginput data atribut seperti umur, berat badan, dan tinggi badan balita secara manual sebelum sistem melakukan proses klasifikasi menggunakan algoritma Nayve Bayes.
Halaman ini berfungsi untuk memperbarui dan memperluas dataset yang digunakan dalam sistem sehingga klasifikasi dapat dilakukan secara real-time dan data terbaru selalu terintegrasi.
Dengan fitur ini, sistem dapat membantu petugas Posyandu dalam memantau status gizi balita secara akurat dan cepat.
KESIMPULAN
Algoritma Nayve Bayes terbukti mampu melakukan klasifikasi status gizi bayi balita dengan tingkat akurasi yang cukup Berdasarkan pengujian terhadap 700 data yang terdiri dari 690 data latih dan 10 data uji, sistem klasifikasi menghasilkan akurasi sebesar 80% pada pengujian di Excel dan RapidMiner, serta mencapai akurasi 88,14% dengan error 11,86% dalam pengujian lainnya.
Dari hasil klasifikasi, ditemukan bahwa algoritma ini cenderung mengklasifikasikan sebagian besar status gizi menjadi gizi baik, meskipun terdapat sejumlah kekeliruan dalam prediksi terhadap kategori gizi lainnya, seperti gizi buruk, gizi kurang, risiko gizi lebih, dan gizi lebih.
Misalnya, beberapa kasus gizi buruk diklasifikasikan sebagai gizi baik atau gizi kurang, dan kasus gizi lebih diklasifikasikan sebagai risiko gizi lebih atau gizi Selain itu, terdapat perbedaan signifikan antara data awal dan hasil klasifikasi, yang menunjukkan bahwa meskipun Nayve Bayes efektif dalam klasifikasi, penyempurnaan masih diperlukan agar hasil lebih sesuai dengan data aktual.
Dengan demikian, algoritma Nayve Bayes dapat dijadikan dasar untuk membangun sistem klasifikasi status gizi bayi balita, namun tetap memerlukan evaluasi dan peningkatan akurasi untuk meningkatkan keandalannya dalam pengambilan keputusan di bidang kesehatan anak.
REFERENCES