Implementasi Algoritma Naïve Bayes dalam Pengklasifikasian Kasus Stunting pada Posyandu Mangga Jagakarsa
Keywords:
klasifikasi, Naïve Bayes, Data Mining, Stunting, posyanduAbstract
Stunting merupakan kondisi gangguan pertumbuhan yang dapat memberikan dampak jangka panjang terhadap perkembangan anak. Kondisi ini tidak hanya berkaitan dengan pertumbuhan fisik, tetapi juga berhubungan dengan perkembangan kognitif dan pencapaian pendidikan. Penelitian longitudinal di Indonesia menunjukkan bahwa gangguan pertumbuhan pada masa kanak-kanak berhubungan dengan kemampuan kognitif dan kemampuan numerik yang lebih rendah serta pencapaian pendidikan yang lebih rendah. Metode pengumpulan data yang digunakan berfokus pada perolehan data yang akan diolah menggunakan algoritma klasifikasi, Evaluasi performa algoritma Naive Bayes dapat dilakukan dengan menggunakan beberapa ukuran evaluasi. Accuracy digunakan untuk mengukur persentase keseluruhan prediksi yang benar terhadap seluruh data yang diuji. Precision berfokus pada proporsi prediksi yang benar dari seluruh data yang diprediksi ke dalam suatu kelas tertentu, sedangkan recall digunakan untuk menilai kemampuan model dalam mengenali dan mengklasifikasikan data yang benar (true positive). Hasil pengujian model menunjukkan tingkat keberhasilan klasifikasi yang sangat tinggi, dimana nilai accuracy dan weighted mean recall yang diperoleh mencapai 84.38%. Hal ini menunjukkan bahwa algoritma Naive Bayes memiliki performa yang sangat baik dalam mengidentifikasi status stunting pada data balita di Posyandu Mangga Jagakarsa.
References
Adzim, F., et al. (2023). Klasifikasi status stunting balita menggunakan metode C4.5 berbasis web. 5(3), 515–525.
Alfayyadh, M.B., Assegaff, S., & Fachruddin. (2025). Perbandingan algoritma C4.5 dan Naïve Bayes dalam. Jurnal Manajemen Teknologi dan Sistem Informasi, 5(2), 1095–1104.
Dewi, S. P., Nurwati, N., & Rahayu, E. (2022). Penerapan data mining untuk prediksi penjualan produk terlaris menggunakan metode K-Nearest Neighbor. Building Informatics, Technology and Science, 3(4), 639–648. https://doi.org/10.47065/bits.v3i4.1408
Irawati, S., Hermawati, E., Irawati, S., & Hermawati, E. (2023). Sensitive intervention policy recommendations to reduce stunting rates based on spatial analysis of sanitary factors in DKI Jakarta Province 2021. 8(3). https://doi.org/10.7454/ihpa.v8i3.7158
Kowsari, K., Meimandi, K. J., Heidarysafa, M., Mendu, S., Barnes, L., & Brown, D. (2019). Text classification algorithms: A survey. Information, 10(4), 1–68. https://doi.org/10.3390/info10040150
Lestari, E., Siregar, A., Hidayat, A. K., & Yusuf, A. A. (2024). Stunting and its association with education and cognitive outcomes in adulthood: A longitudinal study in Indonesia. PloS one, 19(5), e0295380. https://doi.org/10.1371/journal.pone.0295380
Mulyono, M., Budianita, E., Nazir, A., & Syafria, F. (2023). Klasifikasi status stunting balita menggunakan metode Naïve Bayes Gaussian berbasis web. 8(3), 399–406.
Paullada, A., Raji, I. D., Bender, E. M., Denton, E., & Hanna, A. (2021). Data and its (dis)contents: A survey of dataset development and use in machine learning research. Patterns, 2(11), Article 100336. https://doi.org/10.1016/j.patter.2021.100336
Riccio, V., Jahangirova, G., Stocco, A., Humbatova, N., Weiss, M., & Tonella, P. (2020). Testing machine learning based systems: A systematic mapping. Empirical Software Engineering, 25(6), 5193–5254. https://doi.org/10.1007/s10664-020-09881-0
Schröder, T., & Schulz, M. (2022). Monitoring machine learning models: A categorization of challenges and methods. Data Science and Management, 5(3), 105–116. https://doi.org/10.1016/j.dsm.2022.07.004
