Stunting merupakan salah satu masalah kesehatan yang di alami oleh balita di dunia khususnya masalah kesehatan dalam bidang gizi. Kasus stunting berada di angka 34,8 persen pada 2013. Pada Riskesdas 2018 berada di angka 31,4 persen, (Tim Riskesdas, 2018). Untuk wilayah kabupaten nabire sendiri terdapat 185 kasus, dan kasus terbanyak terdapat pada wilayah kerja puskesmas Sanoba dengan 38 jumlah kasus stunting. Penelitian ini bertujuan untuk mengetahui seberapa besar risiko pengetahuan ibu, pemberian ASI Eksklusif, BBLR, tinggi ibu, dan pendapatan keluarga dengan kejadian stunting. Pengumpulan data di lakukan dengan menggunakan metode pendekatan case and control. Hasil penelitian di temukan bahwa ada hubungan antara pengetahuan Ibu dengan kejadian stunting, di peroleh nilai OR 95% CI = 0,023 (0,006 – 0,087), ada hubungan antara pemberian ASI Eksklusif dengan kejadian stunting, di peroleh nilai OR 95% CI = 0,067 (0,022 – 0,208), ada hubungan antara tinggi badan Ibu dengan kejadian stunting, di peroleh nilai OR 95% CI = 25,278 (6,468 – 98,795), ada hubungan antara pendapatan keluarga dengan kejadian stunting,OR 95% CI = 3,588 (1,650 – 11,896), riwayat BBLR di peroleh nilai OR 95% CI = 6,070 (3,688 – 18,284).

Media sosial merupakan media yang mempertemukan manusia di dunia maya, salah satu sosial media yang menjadi favorit adalah twitter. Berbagai hal bisa dibahas di twitter, salah satunya adalah tentang politik. Guna mengelola informasi perlu dilakukan analisis teks salah satunya dengan menggunakan text mining. Tujuan penelitian ini adalah untuk menggali informasi dari media sosial twitter terkait isu politik. Metode penelitian yang digunakan adalah studi pustaka (library research), metode pengumpulan data (field research) dan perancangan sistem serta analisis. Pada studi literatur, dilakukan pencarian penelitian-penelitian terkait menggunakan algoritma Naïve Bayes dan K-Nearest Neighbor. Temuan penelitian ini adalah 2 topik dengan nilai coherence terbaik dari 20 topik.  Pengujian dari dua topik isu tersebut menunjukkan tingkat akurasi klasifikasi berdasarkan topik menggunakan metode K-Nearest Neighbor lebih tinggi dari Naïve Bayes.Kata kunci; Sosial media, Text Mining, Naïve Bayes, K-Nearest Neighbor

No abstract

Kanker payudara merupakan penyumbang kematian tertinggi di kalangan perempuan. penelitian ini bertujuan untuk membuat model aplikasi yang dapat menganalisis klasifikasi kanker payudara berdasarkan status keganasan (jinak atau ganas) menggunakan metode data mining dengan algoritma random forest dan decision tree. Data yang digunakan dalam penelitian ini diambil dari Breast Cancer Wisconsin (Diagnostic) Data Set di Kaggle.com, yang terdiri dari 31 variabel dan 569 data. Data tersebut dibagi menjadi data training dan data test, kemudian diuji menggunakan algoritma random forest dan decision tree. Hasilnya, algoritma decision tree memiliki tingkat akurasi sebesar 95%, sedangkan algoritma random forest memiliki tingkat akurasi sebesar 97%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa kedua algoritma tersebut dapat digunakan untuk melakukan klasifikasi kanker payudara berdasarkan tingkat keganasannya dan algoritma random forest memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan decision tree yaitu 97% versus 95%.Kata kunci; Kanker Payudara, Random Forest, Decision Tree