Institut Riset dan Publikasi Indonesia (IRPI) MALCOM: Indonesian Journal of Machine Learning and Computer Science Journal Homepage: https://journal.
id/index.
php/malcom Vol.
4 Iss.
1 January 2024, pp: 172-180
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
Prediction of Stunting Risk In Families Using Nayve Bayes Classifier and Chi-Square Prediksi Risiko Stunting pada Keluarga Menggunakan Nayve Bayes Classifier dan Chi-Square Umairah Rizkya Gurning1*.
Sania Fitri Octavia2.
Dwi Ratna Andriyani3.
Nurainun4.
Inggih Permana5
1,2,3,5
Program Studi Sistem Informasi.
Fakultas Sains dan Teknologi.
Universitas Islam Negeri Sultan Syarif Kasim Riau.
Indonesia Program Studi Teknik Informatika.
Fakultas Sains dan Teknologi.
Universitas Islam Negeri Sultan Syarif Kasim Riau.
Indonesia
1,2,3,4,5
Puzzle Research Data Technology (Predatec.
Fakultas Sains dan Teknologi.
Universitas Islam Negeri Sultan Syarif Kasim Riau.
Indonesia E-Mail: 111950320687@students.
uin-suska.
id, 211950321581@students.
uin-suska.
111950324645@students.
uin-suska.
id, 411950125156@students.
uin-suska.
inggihpermana@uin-suska.
Received Jul 16th 2023.
Revised Nov 18th 2023.
Accepted Dec 24th 2023 Corresponding Author: Umairah Rizkya Gurning Abstract Stunting is something that is dangerous to humans because it can cause growth and development inhibition of other organs including the brain, heart and kidneys.
The increasing cases of stunting in toddlers requires an effort in early handling and prevention.
There are 17 attributes in the stunting data that must be considered, with so many attributes it is difficult to find the most influential attribute in predicting stunting.
In this study, feature selection was applied using Chi Square and the Nayve Bayes Algorithm was applied to find the attributes that should be prioritized in predicting Prediction results using only Naive Bayes in this study obtained an accuracy value of 94.
3%, a recall value of 9% and a precision value of 93.
93% with a time of 0.
07 seconds.
Meanwhile, by applying Chi square feature selection in this study, the 5 attributes that most influenced the prediction of stunting were obtained which could increase the speed of model formation of the Naive Bayes Algorithm with a time of 0.
01 seconds, but could not increase accuracy, recall and It is hoped that related agencies can pay more attention to and prioritize these 5 attributes as monitoring of stunting predictions in the City of Dumai.
Keyword: Chi Square .
Feature Selection.
Naive Bayes Classifier.
Prediction.
Stunting Abstrak Stunting merupakan sesuatu yang berbahaya pada manusia karena dapat menyebabkan terjadinya hambatan pertumbuhan serta perkembangan organ lainnya termasuk otak, jantung dan ginjal.
Meningkatnya kasus stunting pada balita memerlukan suatu upaya dalam penanganan dan pencegahan secara dini.
Terdapat 17 atribut pada data stunting yang harus diperhatikan, dengan banyaknya atribut tersebut menyebabkan sulitnya menemukan atribut yang paling berpengaruh dalam memprediksi stunting.
Pada penelitian ini diterapkan seleksi fitur menggunakan Chi Square dan menerapkan Algoritma Nayve Bayes untuk menemukan atribut yang harus diprioritaskan dalam memprediksi stunting.
Hasil prediksi dengan menggunakan Naive bayes saja pada penelitian ini didapatkan nilai akurasi sebesar 94,3 %, nilai recall sebesar 93,9 % dan nilai precision sebesar 93,93% dengan waktu 0,07 detik.
Sedangkan dengan menerapkan seleksi fitur Chi square pada penelitian ini diperoleh 5 atribut yang paling berpengaruh terhadap prediksi stunting yang dapat meningkatkan kecepatan pembentukkan model Algoritma Naive Bayes dengan waktu 0,01 detik, namun tidak dapat meningkatkan akurasi, recall dan presisi.
Harapannya instansi terkait dapat lebih memperhatikan dan memprioritaskan ke-5 atribut tersebut sebagai pemantauan prediksi stunting di Kota Dumai.
Kata Kunci: Chi Square.
Naive Bayes Classifier.
Prediksi.
Seleksi Fitur.
Stunting DOI: https://doi.
org/10.
57152/malcom.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
PENDAHULUAN
Stunting adalah gangguan pertumbuhan dan perkembangan pada anak akibat kekurangan gizi kronis dan infeksi berulang yang ditandai dengan tinggi badan yang dibawah standar .
Stunting merupakan sesuatu yang berbahaya pada manusia.
Hal ini dikarenakan stunting dapat menyebabkan fisik pendek serta terjadinya hambatan pertumbuhan dan perkembangan organ lainnya termasuk otak, jantung dan ginjal .
Oleh karena itu anak yang mengalami stunting akan mengalami penurunan fungsi organ, gangguan psikomotor, penurunan Intelligence Quotient (IQ), kemampuan motorik dan neurosensory .
Selain itu, stunting dapat memberikan dampak buruk untuk jangka panjang dan jangka pendek.
Dampak jangka panjang dari stunting adalah mengurangi kemampuan kognitif dan prestasi belajar, menurunkan kekebalan tubuh sehingga lebih rentan sakit, gangguan kesehatan reproduksi, resiko tinggi terhadap munculnya penyakit diabetes, kanker, stroke, jantung dan pembuluh darah serta mengalami disabilitas pada usia tua, sedangkan dampak jangka pendeknya adalah terganggunya kecerdasan anak, pertumbuhan fisik, metabolisme dan pencernaan yang tidak normal .
Pada Desember 2021 tercatat angka prevalensi stunting di Indonesia sebesar 24,4%, angka tersebut masih belum memenuhi standar yang diberikan WHO terhadap target stunting yaitu maksimal 20% .
Stunting dapat dideteksi dengan segera, misalnya dengan pemantauan status gizi, sehingga dapat dilakukan peringatan dini .
Early warning sangat penting untuk stunting.
Melalui early warning, permasalahan dapat diidentifikasi lebih awal sehingga pengelolaan risiko dapat juga dilakukan lebih awal .
Maka, manfaat early warning stunting adalah untuk mengetahui munculnya permasalahan gizi yang dapat dijadikan early warning, agar dapat diatasi dengan segera .
Salah satu contoh program stunting yaitu pemantauan tumbuh kembang anak, berperan penting dalam memastikan anak bebas dari masalah kesehatan dan status gizi.
Program tersebut dapat menjadi early warning jika ada hambatan dalam tumbuh kembang Misalnya, mengukur tinggi badan dapat digunakan untuk melihat apakah seorang anak mengalami Demikian pula, timbang berat badan anak untuk melihat apakah berat badan anak dalam kisaran Dalam hal ini, jika hasil pengukuran atau penimbangan menunjukkan gejala gagal tumbuh, tentu dapat segera dilakukan pencegahan .
Early Warning pada stunting sangat sulit dilakukan.
Terbatasnya akan pengetahuan masyarakat tentang kesehatan serta informasi stunting dapat menyebabkan stunting menjadi sulit untuk terdeteksi dikarenakan istilah stunting masih terdengar asing dikalangan masyarakat .
Selain itu rendahnya kepedulian masyarakat dan pemahaman masyarakat akan pengetahuan tentang stunting seperti kurangnya kesadaran masyarakat dalam melakukan pemeriksaan dapat menyebabkan sulitnya pengontrolan dan pencegahan masalah stunting .
Keterbatasan akan sarana dan prasarana termasuk kualitas layanan kesehatan yang belum optimal juga berpengaruh dalam mendeteksi tumbuh kembangnya balita seperti terbatasnya alat pengukur tinggi badan dan berat badan yang dapat mengakibatkan sulitnya untuk melakukan pemeriksaan .
Faktor lainnya yaitu keterbatasannya tenaga kesehatan yang menyebabkan daya cakup pelayanan kesehatan menjadi belum optimal serta keterbatasan seorang pakar juga membuat masyarakat kesulitan dalam mengambil tindakan saat terkena stunting karena kurangnya pengetahuan yang dimiliki .
Penelitian ini menggunakan Algoritma Naive Bayes Classifier (NBC) untuk mengatasi sulitnya early warning stunting.
NBC adalah salah satu algoritma klasifikasi pada bidang machine learning (ML).
Hasil klasifikasi dari NBC bisa digunakan sebagai early warning stunting.
ML sendiri adalah salah satu cabang dalam kecerdasan buatan yang dapat bekerja dengan data dalam jumlah yang besar dan memungkinkan sistem untuk belajar sendiri tanpa harus diprogram berulang kali .
Algoritma NBC yaitu sebuah algoritma yang mengimplementasikan metode probabilitas dan statistik untuk memprediksi peluang pada masa yang akan datang berdasarkan pengalaman pada masa lalu .
Kelebihan dari Algoritma NBC adalah proses klasifikasi masih dapat dilakukan meskipun terdapat nilai yang hilang pada suatu atribut .
Hal inilah yang menjadi alasan Algoritma NBC digunakan pada penelitian ini.
Hal ini disebabkan pada data yang digunakan pada penelitian ini banyak terdapat missing value pada atributnya.
Pada data tersebut terdapat sekitar lebih dari 50% record memiliki missing value, dengan atribut yang memiliki missing value paling banyak adalah atribut Aoada anak 7-15 tahun tidak sekolahAo.
Algoritma NBC juga telah digunakan pada berbagai peneltian tentang penyakit, seperti: penyakit ginjal kronik .
, penyakit kulit .
, penyakit stroke .
dan penyakit asma .
Permasalahan AuCurse Of DimensionalityAy atau banyaknya dimensi data dapat mengurangi akurasi terhadap deteksi awal penyakit stunting.
Untuk melakukan deteksi awal stunting BKKBN memiliki 17 indikator sebagai dasar dari prediksi deteksi awal stunting.
Akurasi algoritma dapat mengalami penurunan yang diakibatkan oleh beberapa faktor seperti banyaknya atribut, atribut yang redundant dan kurang relevannya atribut yang ada .
Selain itu banyaknya atribut atau dimensi pada algoritma juga dapat menurunkan kinerja suatu algoritma karena dari banyaknya fitur tersebut mempengaruhi algoritma baik dari segi waktu maupun proses pengenalan pola datanya, namun penghapusan fitur secara acak dapat menyebabkan kehilangan informasi pada data .
Sehingga Curse of dimensionality ini dapat menyebabkan kompleksitas pemrosesan data dari segi ruang dan waktu .
Banyaknya dimensi data membutuhkan MALCOM - Vol.
4 Iss.
1 January 2024, pp: 172-180 MALCOM-04.
: 172-180
peningkatan kinerja algoritma pada pengolahan data dan sebuah metode yang dapat menghitung tingkat dependensi fitur terhadap suatu kelas sehingga algoritma yang diterapkan dapat berjalan secara optimal .
Penelitian ini menggunakan Chi-Square sebagai reduksi dimensi untuk mengatasi permasalahan curse of dimensionality.
Menurut .
, .
, dan .
reduksi dimensi data dapat meningkatkan akurasi algoritma NBC.
Salah satu metode reduksi dimensi adalah metode seleksi fitur.
Seleksi fitur adalah proses pemilihan subset variabel input yang relevan dari dataset besar yang akan digunakan untuk membangun model .
Pemilihan fitur bertujuan untuk mengurangi fitur yang tidak relevan dan berlebihan, membutuhkan lebih sedikit waktu untuk melatih model, dan dapat membantu meningkatkan kinerja pengklasifikasi yang dihasilkan .
Metode seleksi fitur yang digunakan pada penelitian ini adalah Chi-Square.
Penerapan model chi-square adalah untuk mengurangi tingkat kesalahan dari terlalu banyak atribut dan untuk mengurangi penyertaan atribut-atribut tersebut dalam variabel klasifikasi penyakit.
Selanjutnya, langkah pengurangan merupakan langkah penting dalam pengenalan pola untuk mengklasifikasikan fitur diagnostik pada atribut .
Pada penelitian .
NBC yang menggunakan Chi-Square memiliki akurasi yang lebih tinggi dari NBC yang tanpa menggunakan Chi-Square.
Penelitian ini terdiri dari empat sub bab, yaitu pendahuluan, data dan metode, hasil dan pembahasan, serta kesimpulan.
Pada sub bab pendahuluan menjelaskan mengenai latar belakang dari penelitian dengan judul: AuPrediksi Risiko Stunting Pada Keluarga Menggunakan Nayve Bayes Classifier Dan Chi-SquareAy.
Selain itu juga dijelaskan secara singkat mengenai metode yang akan digunakan.
Sub bab data dan metode menjelaskan mengenai data yang akan digunakan beserta metodenya, yaitu menggunakan algoritma NBC dengan seleksi fitur chi-square hingga pengukuran performa yang akan dilakukan.
Sub bab hasil dan pembahasan menjelaskan mengenai hasil dari penelitian yang sudah dilakukan dengan data dan metode Dan sub bab kesimpulan menjelaskan mengenai kesimpulan akhir yang didapatkan dari penelitian yang dilakukan.
DATA DAN METODE
Data Data stunting besrumber dari Dinas Pengendalian Penduduk dan Keluarga Brenecana Kota Dumai Provinsi Riau.
Pada penelitian ini menggunakan data stunting pada 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.
Pada penelitian ini data yang digunakan adalah data stunting pada Dinas Pengendalian Penduduk dan Keluarga Berencana Kota Dumai Provinsi Riau dengan jumlah 18 atribut dan 5000 record data.
Dimana, atribut yang digunakan yaitu (A.
Baduta .
-23 bula.
, (A.
Balita .
-59 bula.
, (A.
PUS, (A.
PUS Hamil, (A.
Anak 7-15 tahun tidak sekolah, (A.
Tidak ada anggota keluarga multi sumber penghasilan, (A.
Jenis lantai tanah, (A.
Tidak setiap anggota keluarga makan makanan beragam, (A.
Keluarga Pra sejahtera keluarga, (A.
Keluarga tidak mempunyai air minum utama, (A.
Keluarga tidak mempunyai jamban yang layak, (A.
Keluarga tidak mempunyai rumah layak huni, (A.
Pendidikan terakhir ibu dibawah SLTP, (A.
Terlalu muda (Umur istri < 20 tahu.
, (A.
Terlalu tua (Umur istri > 75 tahu.
, (A.
Terlalu dekat (<2 tahu.
, (A.
Terlalu banyak .
dan atribut terakhir yaitu sebagai class dengan atribut (A.
Kategori keluarga berpotensi resiko stunting.
Tabel 1.
Atribut Data Stunting Item
Kode
Baduta
Balita
PUS
PUS Hamil Anak 7-15 Tahun Sumber Penghasilan Jenis Lantai Tanah Penjelasan Bawah Dua Tahun .
Bawah Lima Tahun .
-59 bula.
Pasangan Usia Subur Pasangan Usia Subur Hamil Ada Anak 7-15 Tahun Tidak Sekolah Tidak Ada Anggota Keluarga Memiliki Kebutuhan Pokok Untuk Memenuhi Kebutuhan Pokok Per Bulan Jenis Lantai Rumah Tanah.
Semen, atau Keramik Jumlah Data Value (X) Value (V) Value (-) Missing Value Prediksi Risiko Stunting pada Keluarga Menggunakan.
(Gurning et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
Item
Kode
Jenis Makanan Keluarga
Pra
Sejahtera
Sumber Air
Minum
A10
Jenis Jamban
A11
Jenis Rumah
A12
Pendidikan Ibu Terlalu Muda (<20 Tahu.
Terlalu Tua (>35 Tahu.
Terlalu Dekat (< 2 Tahu.
Terlalu Banyak .
Ana.
A13 Penjelasan Tidak Setiap Anggota Keluarga Makan AuMakanan BeragamAy Paling Sedikit 2 Kali Sehari Keluarga Yang Tidak Mampu Memenuhi Kebutuhan Dasar nya,Seperti Kebutuhan Pendidikan.
Agama.
Sandang.
Pangan, dan Kesehatan.
Keluarga Yang Tidak Mempunyai Sumber Air Minum Utama Yang Layak Keluarga Yang Tidak Mempunyai Kamar Mandi Yang Layak Keluarga Tidak Mempunyai Rumah Layak Huni Pendidikan Terakhir Ibu Dibawah SLTP Jumlah Data Value (X) Value (V) Value (-) Missing Value A14 Umur Istri Kurang Dari 20 Tahun A15 Umur Istri Lebih Dari 35 Tahun A16 Umur Anak Jaraknya Hanya 2 Tahun A17 Memiliki Anak Yang Terlalu Banyak Metode Langkah-langkah penelitian ini dapat dilihat pada Gambar 1.
1 Nayve Bayes Classifier Naive Bayes Classifier merupakan metode pengklasifikasian probabilistik sederhana untuk menghitung beberapa kemungkinan dari suatu dataset dengan dijumlahkannya frekuensi dan kombinasi nilai .
Arti lain dari Naive Bayes yang dikemukakan oleh Thomas Bayes yaitu metode klasifikasi berdasarkan probabilitas statistik yang memprediksi peluang dimasa depan berdasarkan pengalaman dari masa yang lalu .
Teorema Bayes memiliki bentuk umum pada persamaan 1 .
P(H|X) =
Dimana:
P(H|X)
P(H)
P(X|H)
P(X)
cU .
a )ycE.
cU) .
= Data class yang belum diketahui = Hipotesis Data = Probabilitas hipotesis H berdasar kondisi X = Probabilitas hipotesis H = Probabilitas X berdasar kondisi pada hipotesis H = Probabilitas X 2 Chi - Square Chi-Square merupakan salah satu metode yang digunakan dalam bidang statistika .
Uji Chisquare merupakan jenis uji perbandingan non parametris yang paling umum dilakukan dengan menggunakan dua variabel, dengan variabel kedua memiliki skala data nominal.
Jika hanya ada satu variabel dengan skala nominal dari dua variabel,maka analisis Chi-square dilakukan, menekankan bahwa metode ini perlu MALCOM - Vol.
4 Iss.
1 January 2024, pp: 172-180 MALCOM-04.
: 172-180
digunakan pada derajat yang tidak seimbang .
Berikut rumus dari Chi-Square pada persamaan 2 adalah.
ycu 2 = Ocycuycn=0 Dimana:
cCycnOeyayc.
= distribusi Chi Square = frekuensi observasi pengamatan ke-i = frekuensi harapan pengamatan ke-i Gambar 1.
Metodologi Penelitian 3 K-fold Cross Validation K-Fold Cross Validation adalah jenis validasi paling umum yang digunakan untuk mengukur efisiensi metode algoritma dengan menyimpan data sampel dan menganalisis data dalam peningkatan K-fold Cross Validation.
Pada penelitian ini dilakukan dengan percobaan K=10.
Oleh karena itu, satu-satunya kelompok K-fold Cross Validation yang bersangkutan akan ditetapkan sebagai data uji, sedangkan sisa kelompok lainnya akan ditetapkan sebagai data latih .
Pengukuran Performa 1 Akurasi Menurut Kabir dan Hasan pada penelitian .
Akurasi adalah suatu metode yang dapat dilakukan untuk menguji atau mengukur performa dengan melihat tingkat kedekatan antara nilai prediksi dengan nilai yang sebenarnya.
Akurasi hasil prediksi didapatkan dari hasil analisis yang berupa jumlah data yang dapat diklasifikasikan secara benar.
Adapun persamaan akurasi sebagai berikut.
yaycaycaycycycaycayc = ycAycayceycuycayc ycA y 100% .
2 Recall Menurut Kabir dan Hasan pada penelitian .
Recall adalah suatu metode yang dapat dilakukan untuk menguji atau mengukur performa dengan melihat perbandingan antara jumlah informasi relevan yang sistem dapatkan dengan jumlah seluruh informasi relevan yang ada pada koleksi informasi .
aik yang terambil maupun tidak terambil oleh siste.
Adapun persamaan recall sebagai berikut.
Prediksi Risiko Stunting pada Keluarga Menggunakan.
(Gurning et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
ycIyceycaycaycoyco = ycNycE ycNycE yaycA 3 Precision Menurut Kabir dan Hasan pada penelitian .
Precision atau presisi adalah suatu metode yang dapat dilakukan untuk menguji atau mengukur performa dengan melihat perbandingan antara jumlah informasi relevan yang sistem dapatkan dengan jumlah seluruh informasi yang terambil pada sistem baik yang relevan maupun tidak.
Adapun persamaan presisi sebagai berikut.
ycEycyceycaycnycycnycuycu = ycNycE ycNycE yaycE Tools Pada penelitian ini menggunakan tools yang digunakan yaitu Weka.
Weka adalah aplikasi data mining open source berbasis Java.
Weka terdiri dari kumpulan algoritme pembelajaran mesin yang dapat digunakan untuk menggeneralisasi atau membuat rumus dari sampel data .
Hasil Seleksi Fitur Hasil seleksi fitur menggunakan chi-square didapatkan yaitu (A.
Keluarga Pra sejahtera keluarga, (A.
Keluarga tidak mempunyai rumah layak huni, (A.
Pendidikan terakhir ibu dibawah SLTP, (A.
Terlalu tua (Umur istri > 75 tahu.
, dan (A.
Terlalu banyak .
HASIL DAN PEMBAHASAN
Hasil Seleksi Fitur Hasil seleksi fitur menggunakan chi-square didapatkan yaitu (A.
Keluarga Pra sejahtera keluarga, (A.
Keluarga tidak mempunyai rumah layak huni, (A.
Pendidikan terakhir ibu dibawah SLTP, (A.
Terlalu tua (Umur istri > 75 tahu.
, dan (A.
Terlalu banyak .
Klasifikasi Menggunakan NBC Berdasarkan hasil yang didapatkan dari seleksi fitur menggunakan Chi-square, data dibagi menggunakan K-fold Cross Validation untuk membagi data latih dan data uji.
Sehingga didapatkan hasil precision, recall dan akurasi yang dapat dilihat pada Gambar 2 serta waktu pembentukan model algoritma NBC dapat dilihat pada gambar 3.
Performa Hasil Pengujian Naive Bayes 93,93 92,61 Akurasi Recall Tanpa Seleksi Fitur Precision Dengan Chi-Square Gambar 2.
Perfoma Hasil Pengujian Nayve Bayes Berdasarkan gambar 2 dan gambar 3 diketahui bahwa nilai rata-rata akurasi yang diperoleh pada kedua percobaan yang dilakuakan adalah 93,9 dengan nilai akurasi tanpa seleksi fitur lebih tinggi 0,8% daripada percobaan dengan seleksi fitur chi-square.
Tidak hanya nilai akurasi, nilai recall dan precision pada percobaan tanpa seleksi fitur juga lebih baik daripada dengan seleksi fitur dengan selisih 1,3 untuk recall dan 1,32 untuk nilai precision.
Sehingga dapat diketahui bahwa penerapan seleksi fitur chi-square pada algoritma NBC untuk prediksi stunting di Kota Dumai tidak meningkatkan nilai akurasi, namun penerapan seleksi fitur dapat mempersingkat waktu pengolahan data pembentukan model NBC pada aplikasi Weka dengan 14 MALCOM - Vol.
4 Iss.
1 January 2024, pp: 172-180 MALCOM-04.
: 172-180
atribut dan 5 atribut mengalami penurunan waktu 0,06 detik.
Pembentukan model dengan seleksei fitur chisquare lebih cepat daripada tanpa seksi fitur.
Dan dari penelitian ini dapat diketahui bahwa algoritma NBC dapat mengklasifikasikan data dengan baik meskipun data tersebut bersifat inbalance, dapat dilihat pada tabel 1 nilai pada falue V lebih banyak daripada value lainnya.
Times Pembentukan Model
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,07
0,01
Waktu Pembentukan Model Tanpa Seleksi Fitur Dengan Seleksi Fitur Chi-Square Gambar 3.
Times Pembentukan Model Algoritma
KESIMPULAN
Berdasarkah hasil dan analisis yang dilakukan dapat disimpulkan bahwa penerapan seleksi fitur ChiSquare pada predisi stunting dapat meingkatkan kecepatan pembentukan model algoritma NBC namum tidak dapat meningkatkan nilai akurasi, recall dan presisi.
Sehingga diperoleh nilai akurasi terbaik 94,3, recall 93,9 dan nilai precision 93,93 pada pengolahan data tanpa seleksi fitur.
Seleksi fitur yang dilakukan pada penelitian ini menyeleksi 14 atribut menjadi 5 atribut yaitu (A.
Keluarga Pra sejahtera keluarga, (A.
Keluarga tidak mempunyai rumah layak huni, (A.
Pendidikan terakhir ibu dibawah SLTP, (A.
Terlalu tua (Umur istri > 75 tahu.
, dan (A.
Terlalu banyak .
Dengan demikian diperoleh 5 atribut yang paling berpengaruh terhadap prediksi stunting, harapannya instansi terkait dapat lebih memperhatikan dan memprioritaskan ke-5 atribut tersebut sebagai pemantauan prediksi stunting di Kota Dumai.
UCAPAN TERIMAKASIH
Ucapan terimakasih kepada Badan Kependudukan dan Keluarga Berencana Nasional (BKKBN) serta Dinas Pengendalian Penduduk dan Keluarga Berencana (DPPKB) yang telah memberikan data untuk penelitian ini.
Terimakasih juga kepada Organisasi Puzzle Research Data Technology (Predatec.
yang selalu memberikan dukungan, menjadi wadah pembelajaran dan memberikan motivasi dalam penyelesaian penelitian ini.
REFERENCES