Implementasi Algoritma Naive Bayes pada Aplikasi Web untuk Klasifikasi Status Gizi Balita
DOI:
https://doi.org/10.33795/jip.v12i2.8898Keywords:
Naive Bayes, Aplikasi Web, Klasifikasi, Status Gizi Balita, Confusion MatrixAbstract
Masalah gizi pada anak usia di bawah lima tahun hingga saat ini masih menjadi persoalan utama di Indonesia, termasuk di wilayah Kabupaten Manggarai Timur. Kebutuhan akan proses penilaian status gizi yang efektif dan efisien, serta masih terbatasnya jumlah tenaga kesehatan yang tersedia, menjadi faktor pendorong untuk diterapkannya pemanfaatan teknologi informasi. Tujuan dari penelitian ini, untuk mengimplementasikan metode Naive Bayes pada aplikasi web yang dapat mengklasifikasikan status gizi pada balita dengan menggunakan tiga indikator, yaitu Berat Badan per Umur (BB/U), Tinggi Badan per Umur (TB/U), dan Berat Badan per Tinggi Badan (BB/TB). Model klasifikasi dilatih dengan menggunakan dataset sebanyak 500 data rekam medis balita yang berasal dari Puskesmas Borong, Kabupaten Manggarai Timur, dari tahun 2019 -2023, dengan skenario 80% digunakan sebagai data latih (400 data) dan 20% sebagai data uji (100 data) pada masing-masing indikator. Variabel kontinu pada model diklasifikasikan menggunakan pendekatan distribusi Gaussian. Berdasarkan hasil pengujian yang di evaluasi menggunakan Confusion Matrix dan Classification Report, memperlihatkan penerapan metode Naive Bayes dalam platform web pada penelitian ini memiliki kinerja yang andal dalam melakukan klasifikasi dengan rata-rata akurasi sebesar 97.0%, presisi 0.97, recall 0.96, dan F1-score 0.97 sehingga dapat digunakan sebagai alat bantu keputusan (DSS) bagi tenaga kesehatan di Puskesmas dalam menentukan status gizi balita secara cepat, efektif dalam meminimalisir kesalahan, serta memastikan data tersimpan secara sistematis.
Downloads
References
, A., & Siswa, T. A. Y. (2024): Implementasi Algoritma Gaussian Naïve Bayes Dalam Klasifikasi Status Gizi Pada Balita, Building of Informatics, Technology and Science (BITS), Vol. 6, No. 2, September 2024, pp. 627-634, DOI: https://doi.org/10.47065/bits.v6i2.5493.
Supardianto, & Mutawalli, L. (2025): Analisis Klaster Data Kesehatan Bayi dan Anak Menggunakan K-Means Studi Kasus Provinsi Nusa Tenggara Timur, Journal Computer and Technology, Vol. 3, No. 1, Juli 2025, hlm. 57-64, DOI: https://doi.org/10.69916/comtechno.v3i1.343.
Karundeng, S. E. S., Picauly, I., & Toy, S. M. (2023): Faktor-Faktor yang Berhubungan dengan Kepatuhan Mengkonsumsi Tablet Zat Besi pada Ibu Hamil di Puskesmas Borong Kecamatan Borong Manggarai Timur, Jurnal PAZIH_PERGIZI PANGAN DPD NTT, Vol. 12, No. 2, Oktober 2023, E-ISSN: 2745-6536.
Dwiyanti, D. S., & Saptari, M. A. (2023): Perancangan Sistem Informasi Status Gizi Balita (Stunting) di UPTD Puskesmas Muara Satu dan Muara Dua Menggunakan Metode Naïve Bayes Classification dan K-Nearest Neighbor Berbasis Web, SISFO: Jurnal Ilmiah Sistem Informasi, Vol. 7, No. 2, 2023, ISSN (P): 2598-599X, ISSN (E): 2599-0330.
Yoghatama, A., & Pamungkas, E. W. (2025): Development of a Web-Based Platform for Nutrition Education and Early Stunting Detection, Bit-Tech (Binary Digital–Technology), Vol. 8, No. 1, Agustus 2025, DOI: https://doi.org/10.32877/bt.v8i1.2559, ISSN: 2622-2728 (online), 2622-271X (print).
Kementerian Kesehatan Republik Indonesia, (2020) Peraturan Menteri Kesehatan Republik Indonesia Nomor 2 Tahun 2020 tentang Standar Antropometri Anak.
Sommerville, I. (2011): Software Engineering, 10th Edition, Addison-Wesley, Boston, USA.
Murphy, K. P. (2012): Machine Learning: A Probabilistic Perspective, The MIT Press, Cambridge, Massachusetts, London, England
