Implementation of Naïve bayes Method for Predictor Prevalence Level for Malnutrition Toddlers in Magelang City

Arumi, Endah Ratna; Subrata, Sumarno Adi; Rahmawati, Anisa

doi:10.29207/resti.v7i2.4438

Cited by 7 publications

(6 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Implementasi ML telah banyak di terapkan untuk melakukan prediksi dalam berbagai kasus [13], [14]. Pada kasus stunting, beberapa metode ML yang telah digunaakan adalah metode DT [15], Naïve Bayes [16], [17], SVM [18], k-Nearest Neighbors [19], Neural Networks [20], [21], Random Forest [22], [23] dan Logistic Regression [24] [25]. Selain pada kasus stunting, ML juga banyak di terapkan pada bidang Kesehatan untuk memprediksi penyakit jantung, seperti Random forest [26], Logistic Regression [27], Naïve Bayes [28], SVM [29], dan Neural Networks [29], Penyakit diabetes : Random Forest [30], Neural Network [31], Penyakit MALCOM -Vol.…”

Section: Machine Learning (Ml)unclassified

Analisis Perbandingan Kinerja Model Machine Learning untuk Memprediksi Risiko Stunting pada Pertumbuhan Anak

Sahamony,

Terttiaavini,

Rianto

2024

MALCOM

View full text Add to dashboard Cite

Stunting menjadi masalah serius dalam pertumbuhan anak di Indonesia, mendorong penelitian ini untuk mengembangkan model prediksi menggunakan Machine Learning. Tujuan penelitian adalah membandingkan performa dari lima algoritma yaitu Random Forest, Logistic Regression, Naïve Bayes, SVM dan Neural Networks untuk memprediksi stunting anak. Data stunting anak tahun 2023 dari Kota Lubuk Linggau yang digunakan dengan total 400 sampel. Metodologi penelitian melibatkan langkah inisiasi, pengembangan model linier, pembandingan hasil pengujian model, dan analisis prediksi menggunakan platform KNIME. Hasil uji menunjukkan bahwa Naïve Bayes memiliki performa tertinggi dengan akurasi = 98,57%, F1-Score = 0,99, serta recall dan precision yang sangat tinggi. Random Forest juga memberikan hasil baik dengan akurasi = 98,29%, namun Naïve Bayes diidentifikasi sebagai model terbaik. Penelitian ini memberikan kontribusi signifikan dalam upaya untuk pencegahan stunting dengan menggabungkan teknologi Machine Learning dan analisis dataset kesehatan. Dengan mengembangkan model prediksi menggunakan berbagai algoritma machine learning, diharapkan dapat membantu praktisi kesehatan dalam mengidentifikasi risiko stunting secara dini. Model yang optimal dapat digunakan sebagai alat pendukung keputusan untuk memberikan intervensi yang tepat dan efektif.

show abstract

Section: Machine Learning (Ml)unclassified

Analisis Perbandingan Kinerja Model Machine Learning untuk Memprediksi Risiko Stunting pada Pertumbuhan Anak

Sahamony,

Terttiaavini,

Rianto

2024

MALCOM

View full text Add to dashboard Cite

show abstract

“…Penelitian lain yang berkaitan dengan kegiatan penelitian ini dikerjakan oleh (Arumi et al, 2023). Model algoritma klasifikasi naïve bayes digunakan dengan topik pembahasan mengenai gizi buruk balita di kota Magelang.…”

Section: Pendahuluanunclassified

Optimasi Algoritma Naïve Bayes Berbasis Particle Swarm Optimization Untuk Klasifikasi Status Stunting

Pahlevi,

Amrin,

Handrianto

2024

co-science

View full text Add to dashboard Cite

Setiap orangtua menginginkan buah hatinya tumbuh dengan sehat. Pola makan dengan mengkonsumsi makanan yang sehat dapat meminimalisir stunting. Kekurangan nutrisi dalam jangka panjang dapat menyebabkan stunting, yaitu masalah gizi kronis yang mengganggu pertumbuhan dan perkembangan fisik, termasuk berat badan dan tinggi badan yang rendah. Pengaruhnya terhadap pertumbuhan dan perkembangan tubuh, seperti penurunan berat badan dan tinggi badan. Ada berbagai metode untuk mengekstraksi informasi menggunakan penggalian data, seperti klasifikasi. Dalam penelitian ini, peneliti akan menerapkan Naïve Bayes dengan Particle Swarm Optimization (PSO) untuk Klasifikasi Status Stunting. Berdasarkan penelitian diketahui bahwa performa model Naïve Bayes untuk klasifikasi status stunting memberikan tingkat akurasi kebenaran sebesar 80,69% dengan nilai Area Under the Curva (AUC) sebesar 0,801. Sedangkan performa model Naïve Bayes dengan Particle Swarm Optimization memberikan tingkat akurasi kebenaran sebesar 83,06% dengan nilai Area Under the Curve (AUC) sebesar 0,801. Hal ini membuktikan bahwa optimasi Particle Swarm Optimization dapat meningkatkan kinerja metode klasifikasi yang digunakan.

show abstract

“…(3) The results of the confusion matrix can then be used to calculate accuracy (Equation 5), precision (Equation 6), recall (Equation 7), F1-score (Equation 8) [16], [17].…”

Section: 𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆) = ∑ 𝑃 Logmentioning

confidence: 99%

Comparison of naive Bayes and decision tree algorithms to assess the performance of Palembang City fire and Disaster management employees

Sartika,

Gustriansyah

2024

tekno

View full text Add to dashboard Cite

The employee performance assessment at the Palembang City Fire and Disaster Management Service (DPKPB) is applied to other than the employee performance assessment implementation team based on the Decree of the Head of the Palembang City DPKPB Number 146 of 2021 concerning the employee performance assessment implementation team and awards for exemplary employees. Subjective assessments are avoided to obtain assessment results that are by the achievements of each employee. The application of data mining can be an alternative to avoid subjectivity in performance assessment. In this research, a comparison of the Naive Bayes and Decision Tree algorithms was carried out to assess the performance of Palembang City DPMPB employees. The results of further research will be used as an alternative solution in conducting performance assessments that are more objective than previous assessments. Both algorithms were evaluated for model performance using the Confusion Matrix. Based on the results of the evaluation carried out, it was stated that the Decision Tree algorithm had better accuracy, namely 91.74% compared to Naïve Bayes which had an accuracy of 88.99% with a test size of 0.4

show abstract

Implementation of Naïve bayes Method for Predictor Prevalence Level for Malnutrition Toddlers in Magelang City

Cited by 7 publications

References 9 publications

Analisis Perbandingan Kinerja Model Machine Learning untuk Memprediksi Risiko Stunting pada Pertumbuhan Anak

Analisis Perbandingan Kinerja Model Machine Learning untuk Memprediksi Risiko Stunting pada Pertumbuhan Anak

Optimasi Algoritma Naïve Bayes Berbasis Particle Swarm Optimization Untuk Klasifikasi Status Stunting

Comparison of naive Bayes and decision tree algorithms to assess the performance of Palembang City fire and Disaster management employees

Contact Info

Product

Resources

About