OPTIMASI SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR UNTUK KLASIFIKASI STUNTING
DOI:
https://doi.org/10.31294/conten.v4i2.5994Keywords:
Klasifikasi, k-nearest neighbors, PSO, Stunting, Support Vector MachineAbstract
Stunting masih menjadi permasalahan bagi sebagian besar masyarakat di Indonesia. Menurut Kementerian Kesehatan, prevalensi stunting di Indonesia masih cukup tinggi. Sebagai isu yang saat ini menjadi fokus pemerintah Indonesia, stunting menjadi topik penelitian yang sangat penting. Penelitian ini bertujuan untuk membandingkan metode klasifikasi Support Vector System (SVM) dan k-Nearest Neighbor (k-NN) dengan algoritma Particle Swarm Optimization (PSO) untuk mendapatkan model algoritma terbaik dalam klasifikasi stunting pada balita. Dataset penelitian diperoleh dari data posyandu di wilayah pedesaan. Variabel yang digunakan dalam penelitian ini berbeda dengan penelitian sebelumnya, yaitu menggunakan 11 variabel yaitu jenis kelamin, urutan kelahiran, usia, berat badan lahir, tinggi badan lahir, berat badan, tinggi badan, lingkar lengan atas, lingkar kepala, pemberian ASI eksklusif, dan status gizi. Hasil pengujian menggunakan algoritma k-NN, SVM, k-NN dengan PSO, dan SVM dengan PSO, menunjukkan hasil ak dan durasi tertinggi pada model k-NN sebesar 92,45% dan Kappa sebesar 0,736. Hasil pengujian menggunakan optimasi PSO tidak berubah secara signifikan
References
Beal, T., Tumilowicz, A., Sutrisna, A., Izwardy, D., & Neufeld, L. M. (2018). A review of child stunting determinants in Indonesia. Maternal and Child Nutrition, 14(4), 1–10. https://doi.org/10.1111/mcn.12617
Daldiri, Z. F., & Fitriati, D. (2023). Comparison of Breast Cancer Classification Using the Decision Tree ID3 Algorithm and K-Nearest Neighbors Algorithm. Jurnal Riset Informatika, 5(2), 177–186. https://doi.org/10.34288/jri.v5i2.406
Ding, Z. (2017). Research of improved particle swarm optimization algorithm. AIP Conference Proceedings, 1839(May 2017), 1–6. https://doi.org/10.1063/1.4982513
Jatmiko, H. B., Tedi Kurniadi, N., & Maulana, D. (2022). Optimasi Naïve Bayes Dengan Particle Swarm Optimization Untuk Analisis Sentimen Formula E-Jakarta. Journal Automation Computer Information System, 2(1), 22–30. https://doi.org/10.47134/jacis.v2i1.35
Khan, N. K., Baig, A. R., & Iqbal, M. A. (2010). A new discrete PSO for data classification. 2010 International Conference on Information Science and Applications, ICISA 2010. https://doi.org/10.1109/ICISA.2010.5480366
Komi, M., Li, J., Zhai, Y., & Xianguo, Z. (2017). Application of data mining methods in diabetes prediction. 2017 2nd International Conference on Image, Vision and Computing, ICIVC 2017, S Ix, 1006–1010. https://doi.org/10.1109/ICIVC.2017.7984706
Koohi, I., & Groza, V. Z. (2014). Optimizing Particle Swarm Optimization algorithm. Canadian Conference on Electrical and Computer Engineering, 1–5. https://doi.org/10.1109/CCECE.2014.6901057
Rahmadhita, K. (2020). Permasalahan Stunting dan Pencegahannya. Jurnal Ilmiah Kesehatan Sandi Husada, 11(1), 225–229. https://doi.org/10.35816/jiskh.v11i1.253
Ristanti, D. E., Syauqy, D., & Prasetio, B. H. (2022). Stunting Early Detection System for Toddlers Based on Height and Weight Using Backpropagation Neural Network Method. 1(1), 1–9.
Rustam, S., Santoso, H. A., & Supriyanto, C. (2018). Optimasi K-Means Clustering Untuk Identifikasi Daerah Endemik Penyakit Menular Dengan Algoritma Particle Swarm Optimization Di Kota Semarang. ILKOM Jurnal Ilmiah, 10(3), 251–259. https://doi.org/10.33096/ilkom.v10i3.342.251-259
Sari, R. P. P., & Montessori, M. (2021). Upaya Pemerintah dan Masyarakat dalam Mengatasi Masalah Stunting pada Anak Balita. Journal of Civic Education, 4(2), 129–136. https://doi.org/10.24036/jce.v4i2.491
Sirajuddin, S., Thaha, A. R., Razak, A., Thaha, M., Junadi, P., & Ali, P. B. (2021). It has no impact but is useful as a lesson learned from the Gammarana Enrekang stunting prevention project during the COVID-19 pandemic. Annals Romanian Society Biology Cell, 25(6), 4723–4728.
Subayu, A. (2022). Penerapan Metode K-Means untuk Analisis Stunting Gizi pada Balita: Systematic Review. Jurnal SNATI, 2, 42–50. https://journal.uii.ac.id/jurnalsnati/article/view/24255/14152
Wardhani, N. K., et.al. (2018). Sentiment analysis article news coordinator minister of maritime affairs using algorithm naive bayes and support vector machine with particle swarm optimization. Journal of Theoretical and Applied Information Technology, 96(24), 8365–8378.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Nani Purwati, Sri Kiswati, Sri Suharti, Fransisca Natalia
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
