Prediksi Anak Stunting Berdasarkan Kondisi Orang Tua Dengan Metode Support Vector Machine Dengan Study Kasus Di Kabupaten Tabanan-Bali

Penulis

  • I Ketut Adhi Wiraguna Pasca Sarjana Tehnologi Informasi, Institut Sains Dan Tehnologi Terpadu Surabaya
  • Endang Setyati Pasca Sarjana Tehnologi Informasi, Institut Sains Dan Tehnologi Terpadu Surabaya
  • Edwin Pramana Pasca Sarjana Tehnologi Informasi, Institut Sains Dan Tehnologi Terpadu Surabaya

DOI:

https://doi.org/10.32664/smatika.v12i01.662

Kata Kunci:

support vector machine, prediksi, stunting

Abstrak

Stunting adalah salah satu permasalahan gizi terhadap balita yang sedang dihadapi di dunia. Stunting adalah kondisi dimana tinggi anak dibawah standard yang ditetapkan dan merupakan masalah gizi ini disebabkan oleh kurangnya asupan makanan atau tidak sesuai dengan kebutuhan gizi. Negara Indonesia memiliki komitmen tinggi dalam upaya melakukan pencegahan terhadap  stunting supaya  anak-anak di Indonesia dapat tumbuh  sehat dan berkembang secara optimal disertai dengan kemampuan emosional, sosial, dan fisik yang siap untuk belajar. Upaya itu ditunjukkan melalui Strategi Nasional Percepatan Pencegahan Stunting atau yang dikenal dengan istilah Stranas Stunting yang dilaksanakan tahun 2018 – 2024. Kabupaten Tabanan merupakan salah satu kota prioritas dalam program Stranas Stunting tahun 2020. Untuk memberikan suatu perubahan yang baik dan terarah pada tujuan, diharapkan mampu memberikan suatu hasil yang baik dan efisien maka peneliti melakukan penelitian tentang  bagaimana melakukan prediksi terhadap anak stunting berdasarkan kondisi orang tua menggunakan metode Support Vector Machine. Pada penelitian ini dataset yang digunakan adalah data dari dinas kabupaten tabanan dimana data berjumlah 300 baris terdiri dari 22 variabel. Data selanjutnya diuji dengan 3 model kernel dari Support Vector Machine untuk mencari akurasi tertinggi. Pada penelitian ini  dilakukan ujicoba sebanyak 15 kali dengan software Matlab. Dari proses tersebut didapatkan nilai akurasi tertinggi menggunakan 18 variabel dari total 22 variabel sebesar 0.9889 atau 98.89%, dan kernel yang paling tinggi akurasinya adalah kernel polynomial.

Referensi

Melyasari, Friska . 2014. Faktor Resiko Kejadian Stunting Pada Balita Usia 12 Bulan di Desa Purwekerto Patofisiologi. Fakultas Kedokteran Universitas Diponegoro.

Kamber, M., & Han, J. 2006. Data mining; Concepts and Techniques Second Edition. San Francisco: Morgan Kaufmann Publishers.

J. R. Jang, C. Sun dan E. Mizutani. 2005. Neuro-Fuzzy And Soft Computing. United States of Amerika : Prentice-hall, Inc.

Imaniar Ramadhani, Jondri, dan Rismila. 2017. Prediction Of Multi Currency Exchange Rates Using Correlation Analysis And Backpropagation. E-Health and Bioengineering Conference (EHB). Electronic ISBN: 978-1-5090-1620-4

Parisa. Naraei dkk. 2016. Application of Multilayer Perceptron Neural Networks and Support Vector Machines in Classification of Healthcare Data.

Lalit, Mohan dkk 2020. Support Vector Machine Accuracy Improvement with Classification

Sachin. Bhaskar, 2014. Managing Data in SVM Supervised Algorithm for Data Mining Technology

Yo-Ping, Huang, dkk. 2017. SVM-based Decision Tree for Medical Knowledge Representation

Vijander, Singh dkk ,2013, Prediction of COVID-19 corona virus pandemic based on time series data using support vector machine.

Dewa Nyoman Supariasa dkk ,2019, Faktor-Faktor Yang Mempengaruhi Stunting Pada Balita di Kabupaten Malang.

Farrah, Okky dkk ,2015, The Factors Affecting Stunting on Toddlers in Rural and Urban Areas

Nugroho, A. S., Witarto, A. B., & Handoko, D. (2003) Support Vector Machine dan Aplikasinya Dalam Bioinformatika.

Yo-Ping, Huang, dkk. 2017. SVM-based Decision Tree for Medical Knowledge Representation.

Aronson, J. E., Liang, T.-P., & Turban, E. (2005). Decision support systems and intelligent systems (Vol. 4). Pearson Prentice-Hall.

Irfan. Abbas. Permatasari, Indriana. 2014. Komparasi Kernel pada Algoritma Support Vector Machine Studi Kasus Klasifikasi Penjurusan di SMA Saverius Sragen. UGM Yogyakarka.

Rizky. Agung, 2016. Seleksi Atribut pada Metode Support Vector Machine untuk Menentukan Kelulusan Mahasiswa E-Learning. STIMIK Antar Bangsa.

Bishwakarma, R. (2011). Spatial Inequality in Children Nutrition in Nepal: Implications of Regional Context and Individual/Household Composition. (Disertasi, University of Maryland, College Park, United States).

Sugiyono. (2011) Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Bandung: AFABETA, cv.

Prasetyo, Gusti R. A. dan Robandi, Imam. (2008) Peramalan Beban Jangka Pendek Untuk Hari-hari Libur Dengan Metode Support Vector Machine. Surabaya: Tugas Akhir, ITS.

Parikh, K., S. dan Shah, T., P. (2016) Support Vector Machine – a Large Margin Classifier to Diagnose Skin Illnesses.

Kristian, Indradiarta. Santoso. Joan.(2021) Multilabel Text Classification Menggunakan SVM dan Doc2Vec Classification pada Dokumen Berita Bahasa Indonesia. ISTTS Surabaya.

Unduhan

Diterbitkan

2022-06-16