Klasifikasi Status Gizi Balita Menggunakan Naïve Bayes dan K-Nearest Neighbor Berbasis Web

Klasifikasi Status Gizi Balita Menggunakan Naïve Bayes dan K- Nearest Neighbor Berbasis Web

Rizky Setiawan, Agung Triayudi^*

Fakultas Teknologi Komunikasi dan Informatika, Program Studi Sistem Informasi, Universitas Nasional, Jakarta, Indonesia Email: ¹rizkysetiawan2019@student.unas.ac.id, ^2,*agungtriayudi@civitas.unas.ac.id

Email Penulis Korespondensi: agungtriayudi@civitas.unas.ac.id

Abstrak−Salah satu upaya dalam meningkatkan kemajuan sebuah negara adalah peningkatan kualitas gizi. Gizi seimbang yang baik dapat meningkatkan ketahanan daya tubuh, menambah tingkat kecerdasan dan membuat seseorang berkembang secara normal. Masa balita merupakan perkembangan dan pertumbuhan yang membutuhkan kandungan gizi lebih banyak dibandingkan kelompok umur lainnya, sehingga paling rentan terhadap gangguan gizi. Status gizi usia di bawah 5 tahun dapat dilihat menggunakan metode Antroperti. Perhitungan yang dilakukan secara manual membuat proses menjadi lama dan sering terjadi kesalahan dalam memasukan data. Data mining dapat membuat keputusan status gizi balita menjadi lebih cepat dengan melihat pola pada data data sebelumnya. Naïve Bayes dan K-Nearest Neigbor merupakan salah satu metode dalam klasifikasi.

Naïve Bayes mempunyai kelebihan dapat mencapai nilai akurasi yang tinggi dengan sedikitnya data latih. Sedangakan untuk metode K-Nearest Neighbor mempunyai kelebihan karena mampu bekerja dengan maksimal terhadap data yang mempunyai kesalahan acak (noise). Menggunakan 412 data gizi balita didapatkan hasil dengan Naïve Bayes medapatkan akurasi 80.60%

sedangakn dengan K-Nearest Neighbor didapatkan akurasi 91.79%.

Kata Kunci: Gizi Balita; Data Mining; Klasifikasi; K-Nearest Neighbor; Naïve Bayes

Abstract−One of the efforts in increasing the progress of a country is improving the quality of nutrition. Good balanced nutrition can increase the body's endurance, increase the level of intelligence and make a person develop normally. Infancy is a period of development and growth that requires more nutritional content than other age groups, making it the most vulnerable to nutritional disorders. Nutritional status under 5 years can be seen using the Anthroperti method. Calculations done manually make the process take a long time and errors often occur in entering data. Data mining can make decisions on the nutritional status of toddlers faster by looking at patterns in previous data. Naïve Bayes and K-Nearest Neigbor are one of the methods in classification. Naïve Bayes has the advantage of being able to achieve high accuracy values with minimal training data.

Meanwhile, the K-Nearest Neighbor method has the advantage of being able to work optimally on data that has random errors (noise). Using 412 nutritional data for toddlers, the results obtained with Naïve Bayes getting an accuracy of 80.60%, while with K-Nearest Neighbor, an accuracy of 91.79% was obtained.

Keywords: Toddler Nutrition; Data Mining; Classification; K-Nearest Neighbor; Naïve Bayes

1. PENDAHULUAN

Seperti yang tertera dalam pasal 141 UU No. 36 tahun 2009 tentang Kesehatan, disebutkan upaya dalam perbaikan gizi masyarakat bertujuan untuk meningkatkan kualitas gizi individu dan masyarakat, begitu pula seperti yang tertera dalam 13 pesan dasar dalam Pedoman Umum Gizi Seimbang (PUGS) di Indonesia dan melakukan perilaku gizi seimbang seperti tujuan dari Keluarga Sadar Gizi (Kadarzi).

Masih banyak yang harus diselesaikan tentang persalahan gizi balita di Indonesia seperti kekurangan gizi, kelebihan gizi (kegemukan), kekurangan vitamin A dan masih banyak lagi[1]. Kurangnya masyarakat tentang pentingnya memperbaiki gizi balita membuat banyak balita yang mengalami kekurangan gizi[2]. Masa usia di bawah 5 tahun merupakan periode yang penting bagi perkembangan dan pertumbuhan seorang anak[3]. Usia 0-60 bulan mempunyai pengaruh yang cukup besar menuju tahapan selanjutnya bagi perkembangan setiap individu[4].

Gizi kurang merupakan salah satu penyebab gangguan tumbuh kembang pada balita. Kekurangan gizi dapat terjadi jika jumlah masukan zat gizi yang masuk ke dalam tubuh tidak sesuai dengan kebutuhan gizi yang seharusnya diterima oleh tubuh membuat menghambat perkembangan padaperkambagan selanjutnya. Masalah gizi sering terjadi diantaranya gizi buruk dan gizi kurang. Gizi yang kurang terjadi ketika jumlah asupan nutrisi yang dikonsumsi tubuh kurang dari yang dibutuhkanoleh tubuh, sedangkan masalah gizi buruk terjadi ketika konsumsi nutrisi yang diterima oleh tubuh rendah[5]. Perhaitan yang lebih sangat dibutuhkan dalam meminimalisir masalah gizi kurang dan gizi buruk untuk meminalisir kemungkinan the lost generation[6].

Gizi yang baik dan seimbang dapat dihasilkan dengan mengkonsumsi makanan yang beragam secara seimbang sesuai dengan kebutuhan setiap individu dan cara lain dengan melakukan aktivitas fisik seperti olahraga juga dapat mempengaruhi gizi seseorang[7]. Gizi yang baik dan seimbang dapat menjaga ketahanan tubuh seseorang, mengingkatkan kecerdasan, dan membuat seseorang tumbuh dan berkambang dengan normal. Salah satu parameter dalam mengetahui kesehatan anak adalah melihat status gizi. Jika asupan gizi pada usia balita baik dan tercukupi, maka pertumbuhan dan perkembangan dapat optimal[8].

Menurut Permenkes no. 2 tahun 2020 tentang standard antroperti anak, status gizi balita dapat dinilai dengan metode Antroperti. Indeks antroperti yang sering dipakai adalah berat badan dibagi umur (BB/U), berat badan dibagi tinggi badan (BB/TB) dan tinggi badan dibagi umur (TB/U). Dalam pengukuran usia dibawah 60 bulan cenderung memakai berat badan dibagi umur (BB/U)[9].

Pada penelitian sebelumnya, implementasi Naive Bayes Classifier dalam klasifikasi status gizi stunting pada balita dengan 275 data training dan 25 data testing menggunakan parameter berat badan, tinggi badan, usia, jenis kelamin dan status ekonomi memperoleh hasil akurasi 88%[10]. Penelitian lain menggunakan K-Nearest Neighbor juga pernah dilakukan dan memperoleh nilai akurasi sebesar 73.53% dengan hasil pengujian klasifikasi status gizi pada balita menggunakan jumlah data sebanyak 170 dengan 136 data sebagai data latih dan 34 data sebagai data uji dan nilai K = 5 [11].

Perhitungan gizi balita yang banyak jumlahnya dan dihitung secara manual, artinya prosesnya sangat memakan waktu dan sering menimbulkan kesalahan dalam memasukan data membuat proses tidak efisien.

Klasifikasi yang merupakan bagian dari data mining dapat membuat keputusan status gizi balita menjadi lebih cepat dan efisian dengan melihat pola pada data data sebelumnya[12].

Tujuan penelitian ini membangun aplikasi berbasis website dan membandingkan performa 2 algoritma yang umum dipakai dalam klasifikasi meliputi tingkat akurasi, recall, precision antara Naïve Bayes dan K-Nearest Neighbor membuat agar penentuan status gizi balita lebih cepat dengan menggunakan Data Mining yang diaplikasikan berbasis web dengan menggunakan bahasa pemrogaman Python dan Framework Streamlit agar mudah dalam pengoperasiannya.

2. METODOLOGI PENELITIAN

2.1 Studi Literatur 2.1.1 Gizi Balita

Dalam mengukur gizi balita diperlukan ambang batas untuk menafsirkannya, maka angka BB dan Usia setiap balita diberi perubahan ke bentuk Z-score dengan ketentuan rumus baku antropometri dari WHO[13]. Perhitungan Z-Score adalah seperti yang tertera di persamaan 1.

𝑍 − 𝑠𝑐𝑜𝑟𝑒 =𝑁𝑖𝑙𝑎𝑖 𝐼𝑛𝑑𝑖𝑣𝑖𝑑𝑢𝑎𝑙 𝑆𝑢𝑏𝑗𝑒𝑘−𝑁𝑖𝑙𝑎𝑖 𝑀𝑒𝑑𝑖𝑎𝑛 𝐵𝑎𝑘𝑢 𝑅𝑢𝑗𝑢𝑘𝑎𝑛

𝑁𝑖𝑙𝑎𝑖 𝑆𝑖𝑚𝑝𝑎𝑛𝑔 𝐵𝑎𝑘𝑢 𝑅𝑢𝑗𝑢𝑘𝑎𝑛 (1)

Tabel 1. Kategori Status Gizi Balita

Indeks Status Gizi Ambang Batas

Berat Badan terhadap Umur (BB/U) Gizi Buruk <-3,0 SD

Gizi Kurang <-2,0 SD sampai >=-3,0 SD Gizi Normal >=-2 SD sampai 2,0 SD

Gizi Lebih >2,0 SD Tinggi Badan terhadap Umur (TB/U) Sangat Pendek <-3,0 SD

Pendek <-2,0 SD sampai >=-3,0 SD Normal >=-2 SD sampai 2,0 SD

Tinggi >2,0 SD Tinggi Badan terhadapa Berat Badan (TB/BB) Gizi Buruk <-3,0 SD

Gizi Kurang <-2,0 SD sampai >=-3,0 SD Gizi Normal >=-2 SD sampai 2,0 SD

Gizi Lebih >2,0 SD 2.1.2 Data Mining

Data mining merupakan aktivitas untuk menemukan pola dan hubungan dengan cara pengumpulan dan penggunaan data sebelumnya dalam jumlah data yang besar[14]. Data mining menyertakan perpaduan teknik dari berbagai bidang seperti statistik, basis data dan gudang data (data werehouse), pembelaran mesin (machine learning), pengambilan informasi, pemrosesan sinyal, dan data spasial atau temporal yang dianalisis[15]. Istilah lain dari proses ini biasa dikenal sebagai Knowledge Data Discovery (KDD)[16]. Secara umum, prediksi dan deskripsi merupakan teknik dalam data mining. Dalam metode prediksi, ini dapat dilakukan dengan klasifikasi[17].

2.1.3 Klasifikasi

Terdapat banyak metode untuk klasifikasi dalam data mining seperti Naïve Bayes dan KNN. Naïve Bayes mempunyai kelebihan tersendiri yaitu dapat mencapai nilai akurasi yang tinggi dengan keterbatasannya jumlah.

Dan metode K-Nearest Neighbor mempunyai kelebihan mampu bekerja dengan maksimal terhadap data yang mempunyai kesalahan acak (noise)[18].

Salah satu hasil dari pengukuran dalam klasifikasi adalah tingkat akurasi, recall, precision[19]. Akurasi didapat dari jumlah data yang sudah dikelompokan sesuai dengan kelompoknya (TP) ditambah dengan jumlah data negatif benar (TN) dibagi jumlah semua data. Untuk menghitung akurasi digunakan Persamaan 2.

𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = ^{𝑇𝑃+𝑇𝑁}

𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 (2)

Precision dipakai untuk menghitung yang mana tingkat yang hasilnya mendekati satu sama lain apakah model positif berhasil diprediksi (TP) dari jumlah total model yang diprediksi dalam kategori positif, baik data yang berhasil diprediksi (TP) maupun data yang berhasil diprediksi pada bukan positif (PF). Untuk mengukur precision menggunakan Persamaan 3.

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = ^𝑇𝑃

𝑇𝑃+𝐹𝑃 (3)

Recall diguakan untuk mengukur tingkat yang paling sesuai dengan prediksi dan bagian dari suatu dokumen. Ukuran keberhasilan yang dibagi dengan jumlah prediksi benar yang berhasil (TP) dengan jumlah negatif (FN) dan jumlah prediksi yang berhasil (TP). Untuk menghitung nilai recovery dapat dilihat pada Persamaan 4.

𝑅𝑒𝑐𝑎𝑙𝑙 = ^𝑇𝑃

𝑇𝑃+𝐹𝑃 (4)

2.1.4 Naïve Bayes Classifier

Naïve Bayes merupakan satu dari beberapa algoritma klasifikasi yang paling terkenal. Efisiensinya berasal dari asumsi independensi atribut, meskipun ini mungkin dilanggar di banyak kumpulan data dunia nyata[20]. Metode yang dipakai dalam algoritma ini adalah statistik dan probabilistik yang diusulkan oleh Thomas Bayes. Persamaan dari teorema Bayes dapat dilihat pada persamaan 5.

𝑃(𝐻|𝑋) =^𝑃(𝑋|𝐻).𝑃(𝐻)

𝑃(𝑋) (5)

Keterangan:

P(H|X) = Probabilitas hipotesis H berdasar kondisi X (posteriori probabilitas) H = Hipotesis data merupakan suatu class spesifik

X = Data dengan class yang belum diketahui

P(X|H) = Probabilitas X berdasarkan kondisi pada hipotesis H P(H) = Probabilitas hipotesis H (prior probabilitas)

P(X) = Probabilitas X

Naïve Bayes adalah salah satu algoritma klasifikasi untuk mengelompokan kumpulan data ke dalam kelas[21]. Teknik ini melakukan prediksi probabilistik yang sederhana dengan asumsi ketidaktergantungan yang kuat (Naif)[22]. Teknik ini digunakan untuk mempresiksi kemungkinan keanggotaan stau kelas[23].

2.1.5 K-Nearest Neighbor

Metode KNN atau K-Nearest Neighbor merupakan algoritma klasifikasi suatu data ke dalam beberapa kelas yang sudah dikelompokan berdasarkan jarak terdekat atau memiliki kemiripan data tersebut dengan data latih[24]. KNN melakukan klasifikasi berdasarkan jarak paling dekat, jauh atau dekat jarak dihitung dari Euclidean[25]. Euclidean Distance adalah perhitungan yang dipakai untuk mencari jarak antara 2 titik dalam Euclidean space. Perhitungan jarak Euclidean ditunjukan pada persamaan 6.

𝐸𝑢𝑐 = √(𝑥₂− 𝑥₁)²+ (𝑦₂− 𝑦₁)² (6)

2.1.6 Python

Python dikatakan sebagai bahasa dengan fitur perpustakaan standar yang besar dan komprehensif yang menggabungkan keterampilan dan kemampuan dengan sintaks kode yang sangat jelas[26]. Python memiliki kelebihan tersendiri dan kehebatan untuk menangani pembuatan aplikasi-aplikasi pada jaman sekarang yang mengandung pemahaman tentang data mining, data science, sampai machine learning, Python merupakan bahasa pemrograman cocok dalam pembuatan aplikasi berbasis kecerdasan buatan (artificial intelligence)[27].

2.2 Tahapan Penelitian

Tahapan dalam penelitian ini meliputi :

Gambar 1. Alur Tahapan Penelitian

1. Indentifikasi Masalah

Mengamati suatu permasalah dalam menentukan status gizi balita yang masih dilakukan secara manual membuat proses keputusan menjadi lama dan dapat menimbulkan kesalahan ketika proses perhitungan (human error).

2. Pengumpulan data

Data gizi balita didapatkan dari beberapa posyandu di Jakarta Utara dalam rentan waktu 2017-2020 yang dikumpulan mejadi 1data didalam Microsoft Excel.

3. Analisa Sistem

Merancang sebuah sistem berbasis website yang dapat menentukan status gizi balita dengan cepat menggunakan algoritma Naïve Bayes dan K-Nearest Neighbor dan dapat melihat hasil perbandingan performa antara kedua algoritma tersebut.

4. Pembuatan Sistem

Sistem berbasis website dibuat dengan bahasa pemrograman Python dan framewok Streamlit.

5. Pengujian Sistem

Setelah proses pembuatan sistem selesai dibuat makan selanjutanya pengujian sistem, dimana sistem website akan diuji dengan cara Black Box Testing.

2.3 Pegumpulan Data

Data gizi balita didapatkan dari beberapa posyandu di Jakarta Utara dalam rentan waktu 2017-2020 yang digabungkan menjadi 1 data didalam Microsoft Excel dengan hanya mengambil 5 parameter yaitu: Usia dalam satuan bulan, Jenis Kelamin, Berat Badan dengan satuan kg, Tinggi Badan dengan satuan cm, Pendapatan Orang Tua yang di golongkan menjadi 3 yaitu, golongan 1 untuk pendapatan dibawah 2 juta rupiah, golongan 2 untuk pendapatan antara 2 juta rupiah – 5 juta rupiah, dan golongan 3 untuk pendapatan diatas 5 juta rupiah, Pendidikan Terakhir Ibu.

Tabel 2. Data Gizi Balita Usia

(Bulan) JK (L/P)

BB (Kg)

TB (Cm)

Pendapatan Orang tua

Pendidikan Ibu

Status Gizi Balita

44 L 13 93 3 SMA Baik

18 L 10 80 3 SMA Baik

34 L 10 100 2 SMP Kurang

52 L 12 97 1 SMP Kurang

33 L 9 91 1 SMP Buruk

44 P 10 80 1 SD Buruk

53 L 17 108 3 SMA Baik

24 P 10 81 2 SMP Baik

41 P 17 96 3 S1 Baik

13 P 6,4 60 1 SD Buruk

23 P 12 80 2 SMP Baik

50 L 11 100 1 SMP Buruk

3 P 7 55 2 SD Baik

13 P 9 79 3 SMA Baik

25 L 9 87 2 SMP Kurang

40 P 10 95 1 SMP Buruk

48 P 15 120 2 SMP Baik

12 L 9,1 74 2 SMA Baik

20 L 11 90 3 SMA ?

2.4 Perancangan Sistem

Website Klasifikasi Status Gizi Balita dibangun dengan bahasa pemrograman Python dan framework Streamlit.

2.4.1 Alur Kerja Sistem

Website Klasifikasi Status Gizi Balita dapat diakses oleh siapa saja dengan memasukan indikator Usia, Jenis Kelamin, Berat Badan, Tinggi Badan, Pendapatan Orang Tua, dan Pendidikan Terakhir Ibu, lalu dapat memilih algoritma apa yang dipakai untuk menampilkan hasil status gizi balita. Berikut flowchart untuk website Klasifikasi Status Gizi Balita :

Gambar 2. Alur Kerja Website 2.4.2 Pengujian Sistem

Setelah sistem selesai dibangun, sistem harus melewati tahap pengujian agar dapat berjalan dengan seperti yang dibutuhkan. Pengujian sistem dilakukan dengan Black Box Testing dengan tabel pengujian seperti pada tabel berikut :

Tabel 3. Tabel Pengujian Black Box

Input Proses Output Hasil Uji

Menu Home Menampilkan tampilan awal website

Halaman home tampil

Menu Dataset

Menampilkan halaman untuk menampilkan dataset

Halaman dataset tampil

Menu Classifier

Menampilkan halaman untuk proses penginputan data balita dan melihat hasil status gizi balita

Halaman klasifikasi tampil Textbox

Usia

Menyimpan data usia yang dimasukan oleh user

Menyimpan data usia

Listbox Jenis Kelamin

Menampilkan dan menyimpan pilihan jenis kelamin antara laki- laki atau perempuan

Pilihan jenis kelamin tampil Textbox

Berat Badan

Menyimpan data berat badan yang dimasukan oleh user

Menyimpan data berat badan Textbox

Tinggi Badan

Menyimpan data tinggi badan yang dimasukan oleh user

Menyimpan data tinggi badan Listbox

Pendapatan Orang Tua

Menampilkan dan menyimpan pilihan untuk pendapatan orang tua yang ipilih user

Pilihan

pendapatan orang tua tampil Listbox

Pendidikan Terakhir Ibu

Menampilkan dan menyimpan pilihan untuk pendidikan terakhir ibu yang dipilih user

Pilihan pendidikan terakhir ibu tampil Radio button

jenis model klasfikasi

Memilih jenis model apa yang mau dipakai untuk klasifikasi data

Dapat memilih model klasifikasi Tombol

Prediksi

Melalukan proses output status gizi balita

Output status gizi balita tampil

Input Proses Output Hasil Uji Menu

Informasi Model

Menampilan informasi perbandingan tingkat akurasi, recall, precision

Halaman perbandingan tingkat akurasi, recall, precision tampil

3. HASIL DAN PEMBAHASAN

3.1 Tampilan Website

Tampilan aplikasi berbasis web yang akan digunakan user dalam menentukan status gizi balita meliputi penginputan data Usia, Jenis kelamin, Berat badan, Tinggi badan, Pendapatan orang tua, Pendidikan terakhir ibu lalu akan keluar prediksi status gizi balita tersebut. Berikut tampilan web :

Tampilan awal berisi tentang judul website dan keterangan tambahan dalam menjelaskan fungsi dan fitur yang tersedia dalam website ini

Gambar 3. Tampilan Halaman Awal

Tampilan halaman dataset berisi tentang dataset yang yang berjumlah 412 data balita

Gambar 4. Tampilan Halaman Dataset

Halaman ini berisi informasi tentang perbandingan akurasi, recall, dan precision antara Naïve Bayes dan KNN menggunakan data latih berjumlah 412.

Gambar 5. Tampilan Halaman Perbandingan akurasi, recall, dan precision

Tampilan halaman classifier adalah tampilan dimana kita memasukan data balita yang nantinya akan menampilkan prediksi tentang status gizi balita.

Gambar 6. Tampilan Halaman Classifier

Tampilan halaman dari hasil prediksi status gizi balita menggunakan Naïve Bayes dengan data Usia 20, Jenis Kelamin Laki-laki, Berat Badan 11, Tinggi Badan 90, Pendapatan orang tua 3(diatas 5 juta), pendidikan ibu SMA.

Gambar 7. Tampilan Hasil Prediksi dengan Naïve Bayes

Tampilan halaman dari hasil prediksi status gizi balita menggunakan KNN dengan data Usia 20, Jenis Kelamin Laki-laki, Berat Badan 11, Tinggi Badan 90, Pendapatan orang tua 3(diatas 5 juta), pendidikan orang SMA.

Gambar 7. Tampilan Hasil Prediksi dengan K-Nearest Neighbor 3.2 Pengujian Sistem

Pengujian sistem menggunakan black box testing dan mendapatkan hasil seperti yang tertera pada tabel 4.

Tabel 4. Tabel Hasil Pengujian Black Box

Input Proses Output Hasil Uji

Menu Home Menampilkan tampilan awal website

Halaman home tampil

Berhasil

Input Proses Output Hasil Uji Menu

Dataset

Menampilkan halaman untuk menampilkan dataset

Halaman dataset tampil

Berhasil Menu

Classifier

Menampilkan halaman untuk proses penginputan data balita dan melihat hasil status gizi balita

Halaman klasifikasi tampil

Berhasil

Textbox Usia

Menyimpan data usia yang dimasukan oleh user

Menyimpan data usia

Berhasil Listbox

Jenis Kelamin

Menampilkan dan menyimpan pilihan jenis kelamin antara laki- laki atau perempuan

Pilihan jenis kelamin tampil

Berhasil

Textbox Berat Badan

Menyimpan data berat badan yang dimasukan oleh user

Menyimpan data berat badan

Berhasil Textbox

Tinggi Badan

Menyimpan data tinggi badan yang dimasukan oleh user

Menyimpan data tinggi badan

Berhasil

Listbox Pendapatan Orang Tua

Menampilkan dan menyimpan pilihan untuk pendapatan orang tua yang ipilih user

Pilihan

pendapatan orang tua tampil

Berhasil

Listbox Pendidikan Terakhir Ibu

Menampilkan dan menyimpan pilihan untuk pendidikan terakhir ibu yang dipilih user

Pilihan pendidikan terakhir ibu tampil

Berhasil

Radio button jenis model klasfikasi

Memilih jenis model apa yang mau dipakai untuk klasifikasi data

Dapat memilih model klasifikasi

Berhasil

Tombol Prediksi

Melalukan proses output status gizi balita

Output status gizi balita tampil

Berhasil Menu

Informasi Model

Menampilan informasi perbandingan tingkat akurasi, recall, precision

Halaman perbandingan tingkat akurasi, recall, precision tampil

Berhasil

Ketika sistem dijalankan semua fungsi berjalan dengan baik sesuai kebutuhan dalam menentukan status gizi balita. Berdasarkan dari hasil pengujian black box maka dapat disimpulkan sistem ini berjalan dengan baik.

4. KESIMPULAN

Berdasarkan hasil penelitian yang sudah dijelaskan didapatkan kesimpulan aplikasi berbasis website untuk Klasifikasi Satus Gizi Balita dapat mempercepat menentukan keputusan untuk status gizi balita. Untuk perbandingan akuasi, recall, dan precision Naïve Bayes memperoleh nilai akurasi 80.60%, recall 80.60%, precision 79.66% sedangkan untuk KNN memperoleh nilai akurasi 91.79%, recall 91.79%, precision 91.17%. Hasil perbadingan dari prediksi dengan data masukan Usia = 20, Jenis Kelamin = L, Berat badan = 11, Tinggi Badan = 90, Pendapatan orang tua =3 (diatas 5 juta) dan Pendidikan terkahir ibu=SMA mendapatkan hasil untuk Naïve Bayes medapatkan Status Gizi Balita “Baik” dengan 81.98% sedangakn untuk KNN mendapatkan Status Gizi Balita “Baik” dengan 100%.

REFERENCES

[1] Rodiah, N. Arini, and A. Syafei, “Pengaruh Perilaku Keluarga Sadar Gizi (Kadarzi) terhadap Status Gizi Balita,” Jurnal Ilmu Kesehatan Masyarakat, vol. 7, no. 3, pp. 174–184, 2018.

[2] H. Rasni, T. Susanto, K. R. M. Nur, and N. Anoegrajekti, “Pengembangan budaya masak abereng dalam peningkatan status gizi balita stunting di Desa Glagahwero, Kecamatan Panti, Kabupaten Jember dengan pendekatan agronursing,”

Journal of Community Empowerment for Health, vol. 1, no. 2, p. 121, May 2019, doi: 10.22146/jcoemph.42852.

[3] K. Isni et al., “Pelatihan Pengukuran Status Gizi Balita sebagai Upaya Pencegahan Stunting Sejak Dini pada ibu di Dusun Randugunting, Sleman, DIY Toddler Nutrition Status Measurement Training as an Early Prevention of Stunting to Mothers in Dusun Randugunting,” 2020. [Online]. Available: http://journal.unhas.ac.id/index.php/panritaabdi

[4] N. Nurmaliza and S. Herlina, “Hubungan Pengetahuan dan Pendidikan Ibu terhadap Status Gizi Balita,” Jurnal Kesmas Asclepius, vol. 1, no. 2, pp. 106–115, Dec. 2019, doi: 10.31539/jka.v1i2.578.

[5] T. Budi Rahayu, Y. Anna Wahyu Nurindahsari, and S. Guna Bangsa, “PENINGKATAN STATUS GIZI BALITA MELALUI PEMBERIAN DAUN KELOR (MORINGA OLEIFERA),” Jurnal Kesehatan Madani Medika, vol. 9, no. 2, pp. 208–216, 2018.

[6] N. Sarlis and C. N. Ivanna, “FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN STATUS GIZI BALITA DI PUSKESMAS SIDOMULYO PEKANBARU TAHUN 2016,” Jurnal Endurance, vol. 3, no. 1, p. 146, Mar. 2018, doi:

10.22216/jen.v3i1.2074.

[7] E. Irfiani, S. Sulistia Rani, S. Nusa Mandiri Jl Kramat Raya No, and J. Pusat, “Algoritma K-Means Clustering untuk Menentukan Nilai Gizi Balita,” JUSTIN (Jurnal Sistem dan Teknologi Informasi), vol. 6, no. 4, pp. 17–27, 2018.

[8] N. Puspasari and M. Andriani, “Hubungan Pengetahuan Ibu tentang Gizi dan Asupan Makan Balita dengan Status Gizi Balita (BB/U) Usia 12-24 Bulan Association Mother’s Nutrition Knowledge and Toddler’s Nutrition Intake with Toddler’s Nutritional Status (WAZ) at the Age 12-24 Months,” Amerta Nutr, pp. 27–39, 2017, doi: 10.2473/amnt.v1i4.2017.369- 378.

[9] “Permenkes No. 2 Th 2020 Tentang Standar Antropometri Anak.”

[10] M. Y. Titimeidara and W. Hadikurniawati, “Implementasi Metode Naive Bayes Classifier Untuk Klasifikasi Status Gizi Stunting Pada Balita,” Jurnal Ilmiah Informatika (JIF), vol. 9, no. 1, pp. 54–59, 2021.

[11] D. Fitrianingsih, M. Bettiza, and A. Uperiati, “KLASIFIKASI STATUS GIZI PADA PERTUMBUHAN BALITA MENGGUNAKAN K-NEAREST NEIGHBOR (KNN),” Student Online Journal, vol. 2, no. 1, pp. 106–111, 2021.

[12] H. Hafizan and A. N. Putri, “Penerapan Metode Klasifikasi Decision Tree Pada Status Gizi Balita Di Kabupaten Simalungun,” KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen), vol. 1, no. 2, pp. 68–72, 2020.

[13] M. Hasan Wahyudi, “SISTEM PENDUKUNG KEPUTUSAN PENENTUAN STATUS GIZI BALITA MENGGUNAKAN METODE NAÏVE BAYES,” Seminar Nasional Teknologi Informasi dan Multimedia, vol. 2, no. 8, pp. 25–30, 2018.

[14] R. Perdana, Sigit, and M. A. Yakin, “Menentukan Berapa Banyak Yang Terkena Penyakit Radang Kandung Kemih Menggunakan Metode Klasifikasi Naive Bayes Di Aplikasi Weka,” Jurnal MediaTIK : Jurnal Media Pendidikan Teknik Informatika dan Komputer, vol. 4, no. 3, pp. 134–135, 2021.

[15] E. Irfiani and F. Indriyani, “Data Mining Untuk Sistem Pengambilan Keputusan Menentukan Kenaikan Kelas Berbasis Web,” Informatics For Educators And Professionals, vol. 2, no. 1, pp. 19–28, 2017.

[16] A. Asroni, H. Fitri, and E. Prasetyo, “Penerapan Metode Clustering dengan Algoritma K-Means pada Pengelompokkan Data Calon Mahasiswa Baru di Universitas Muhammadiyah Yogyakarta (Studi Kasus: Fakultas Kedokteran dan Ilmu Kesehatan, dan Fakultas Ilmu Sosial dan Ilmu Politik),” Semesta Teknika, vol. 21, no. 1, pp. 60–64, 2018, doi:

10.18196/st.211211.

[17] Y. Religia, A. Nugroho, and W. Hadikristanto, “Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 187–192, Feb. 2021, doi: 10.29207/resti.v5i1.2813.

[18] R. N. Devita, H. W. Herwanto, and A. P. Wibawa, “Perbandingan Kinerja Metode Naive Bayes dan K-Nearest Neighbor untuk Klasifikasi Artikel Berbahasa indonesia,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 4, p. 427, Oct.

2018, doi: 10.25126/jtiik.201854773.

[19] R. R. Waliyansyah and C. Fitriyah, “Perbandingan Akurasi Klasifikasi Citra Kayu Jati Menggunakan Metode Naive Bayes dan k-Nearest Neighbor (k-NN),” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 5, no. 2, pp. 157–163, 2019.

[20] S. Chen, G. I. Webb, L. Liu, and X. Ma, “A novel selective naïve Bayes algorithm,” Knowledge-Based Systems, vol. 192, p. 105361, Mar. 2020, doi: 10.1016/J.KNOSYS.2019.105361.

[21] U. Islam et al., “Klasifikasi Dokumen Tugas Akhir Berbasis Text Mining menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor,” Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI) 11, pp. 178–186, 2019.

[22] S. Suprianto, “Implementasi Algoritma Naive Bayes Untuk Menentukan Lokasi Strategis Dalam Membuka Usaha Menengah Ke Bawah di Kota Medan (Studi Kasus: Disperindag Kota Medan),” Jurnal Sistem Komputer dan Informatika (JSON), vol. 1, no. 2, pp. 125–130, Jan. 2020, doi: 10.30865/json.v1i2.1939.

[23] H. Annur, “KLASIFIKASI MASYARAKAT MISKIN MENGGUNAKAN METODE NAÏVE BAYES,” ILKOM Jurnal Ilmiah, vol. 10, no. 2, pp. 160–165, 2018.

[24] A. Deviyanto and M. R. Didik Wahyudi, “PENERAPAN ANALISIS SENTIMEN PADA PENGGUNA TWITTER MENGGUNAKAN METODE K-NEAREST NEIGHBOR,” Jurnal Informatika Sunan Kalijaga), vol. 3, no. 1, pp. 1–13, 2018, [Online]. Available: https://twitter.com/search?l=id&q=AHY%20since%3A2017-01-01%20until%3A2017-01- [25] M. M. Baharuddin, H. Azis, and T. Hasanuddin, “ANALISIS PERFORMA METODE K-NEAREST NEIGHBOR

UNTUK IDENTIFIKASI JENIS KACA,” ILKOM Jurnal Ilmiah, vol. 11, no. 3, pp. 269–274, Dec. 2019, doi:

10.33096/ilkom.v11i3.489.269-274.

[26] R. N. Melinda, L. Meitya Ningrum, I. B. Suryabrata, G. Swarna Bayu, A. Dwipa, and T. P. Sukoco, “Program Perhitungan RAB Pekerjaan Struktur Baja (WF BEAM) Menggunakan Bahasa Python,” TIERS Information Technology Journal, vol.

2, no. 1, pp. 31–38, 2021, [Online]. Available: https://journal.undiknas.ac.id/index.php/tiers [27] J. Enterprise, Python untuk Programmer Pemula. Elex media komputindo, 2019.