Praditya, Farrel Yuda (2020) IMPLEMENTASI ALGORITMA DATA MINING UNTUK KLASIFIKASI KEJADIAN STUNTING PADA ANAK BADUTA DI KABUPATEN PANDEGLANG. Diploma thesis, Universitas YARSI.

Preview	Text 1. cover.pdf Download (198kB) | Preview
Preview	Text 2. ABSTRAK.pdf Download (187kB) | Preview
Preview	Text 4. HALAMAN PENGESAHAN.pdf Download (383kB) | Preview
Preview	Text 9. BAB 1.pdf Download (306kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (172kB) | Preview
	Text 10. BAB 2. LATAR BELAKANG.pdf Restricted to Registered users only Download (321kB)
	Text 11. BAB 3. METODOLOGI PENELITIAN.pdf Restricted to Registered users only Download (168kB)
	Text 12. BAB 4. HASIL DAN PEMBAHASAN.pdf Restricted to Registered users only Download (758kB)
	Text 13. BAB 5. KESIMPULAN DAN SARAN.pdf Restricted to Registered users only Download (166kB)
Preview	Text 3. HALAMAN PERNYTAAN ORISINALITAS.pdf Download (284kB) | Preview

Abstract

Stunting adalah masalah gizi kronis pada balita yang ditandai dengan tinggi badan yang lebih pendek dibandingkan dengan anak seusianya. Berdasarkan hasil Riset Kesehatan Dasar tahun 2018 terdapat 30,8% balita yang mengalami kejadian stunting, dengan jumlah presentase tersebut adalah 11,5% anak sangat pendek dan 19,3% anak pendek. Seiring dengan perkembangan teknologi, data mining merupakan salah satu metode untuk mengekstrak pengetahuan dari sejumlah data besar menjadi sebuah data baru yang dapat dimengerti. Dalam penelitian ini, metode yang digunakan adalah K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Logistic Regression (LR). Data yang digunakan dalam penelitian ini diambil dari Kabupaten Pandeglang dengan sample 798 data Anak Baduta (Bawah Dua Tahun). Penelitian ini melakukan uji coba sebanyak tiga kali dengan proporsi pembagian data 80% : 20%, 75% : 25%, dan 70% : 30%. Uji coba pertama yang dilakukan adalah menggunakan Algoritma KNN dengan melakukan konfigurasi parameter mengggunakan nilai k dari range 1-100. Uji coba kedua yang dilakukan adalah membandingkan hasil dari uji coba pertama dengan Algoritma SVM, dan LR. Uji coba selanjutnya yang dilakukan adalah membandingkan metode feature selection. Hasil dari tiga kali percobaan menunjukkan Algoritma yang terbaik adalah LR dengan menggunakan feature selection chi squared test dengan mendapatkan nilai akurasi sebesar 85%.

Actions (login required)

View Item