Perbandingan Kinerja Metode Naïve Bayes, SVM, dan ANN dalam Klasifikasi Status Gizi Balita
DOI:
10.29303/jm.v8i2.11962Published:
2026-06-30Downloads
Abstract
Masalah gizi pada balita merupakan tantangan kesehatan masyarakat yang krusial. Peningkatan kasus kekurangan dan kelebihan gizi pada balita memerlukan pengolahan data untuk proses klasifikasi sehingga dapat memberikan kemudahan dalam mengambil kesimpulan dan mengambil tindakan dalam pencegahan kekurangan dan kelebihan gizi balita. Oleh karena itu, penelitian ini menggunakan tiga metode yaitu Naïve Bayes, SVM, dan ANN untuk mengetahui kinerja dalam mengklasifikasikan status gizi balita menggunakan platform Google Colab dengan tahapan pengumpulan data, prepocessing data, pemodelan data, dan evaluasi performa berupa confusion matrix yang berfungsi untuk mengukur kinerja model klasifikasi machine learning. confusion matrix berisi metrik evaluasi lanjutan untuk menilai kualitas model secara spesifik yaitu accuracy, precision, dan recall. Hasil penelitian menunjukkan metode ANN dengan tingkat akurasi 99% merupakan metode terbaik dan paling efektif dalam pemantauan gizi balita dibandingkan SVM tingkat akurasi sebesar 98%, dan Naïve Bayes sebesar 93%. Hal ini juga didukung adanya keunggulan ANN dalam menyesuaikan bobot secara iteratif melalui hidden layers sehingga mampu memodelkan hubungan non-variabel antara variabel berat badan dan tinggi badan secara presisi.
Keywords:
Classification Nutritional Status of Toddlers Naive Bayes SVM ANNReferences
Ainurrohma. (2021). Akurasi Algoritma Klasifikasi pada Software Rapidminer dan Weka. PRISMA, Prosiding Seminar Nasional Matematika, 4, 493–499. https://journal.unnes.ac.id/sju/index.php/prisma/
Azhari, M., Situmorang, Z., & Rosnelly, R. (2021). Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes. Jurnal Media Informatika Budidarma, 5(2), 640. https://doi.org/10.30865/mib.v5i2.2937
Cendani, L. M., & Wibowo, A. (2022). Perbandingan Metode Ensemble Learning pada Klasifikasi Penyakit Diabetes. Jurnal Masyarakat Informatika, 13(1), 33–44. https://doi.org/10.14710/jmasif.13.1.42912
Hananti, H., & Sari, K. (2021). Perbandingan Metode Support Vector Machine (SVM) dan Artificial Neural Network (ANN) pada Klasifikasi Gizi Balita Studi Kasus pada Puskesmas Salissingan (Comparison of Support Vector Machine (SVM) and Artificial Neural Network (ANN) Methods in Toddler Nut. Seminar Nasional Official Statistics, 2021(1), 1036–1043.
Irawan, D., Perkasa, E. B., Yurindra, Y., Wahyuningsih, D., & Helmud, E. (2021). Perbandingan Klassifikasi SMS Berbasis Support Vector Machine, Naive Bayes Classifier, Random Forest dan Bagging Classifier. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 10(3), 432–437. https://doi.org/10.32736/sisfokom.v10i3.1302
Martin, C. H., Peng, T. S., & Mahoney, M. W. (2021). Predicting trends in the quality of state-of-the-art neural networks without access to training or testing data. Nature Communications, 2021, 1–13. https://doi.org/10.1038/s41467-021-24025-8
Mughnyanti, M., & Hafiz Nanda Ginting, S. (2023). Data Mining Manhattan Distance dan Euclidean Distance Pada Algoritma X-Means Dalam Klasifikasi Minat dan Bakat Siswa. Remik, 7(1), 835–842. https://doi.org/10.33395/remik.v7i1.12162
Pertiwiningrum, D. A., & Kamalah, A. D. (2021). Prosiding Seminar Nasional Kesehatan 2021 Lembaga Penelitian dan Pengabdian Masyarakat Universitas Muhammadiyah Pekajangan Pekalongan. Seminar Nasional Kesehatan, 2017, 2148–2156.
Putri, N. E., Andarini, M. Y., & Achmad, S. (2021). Gambaran Status Gizi pada Balita di Puskesmas Karang Harja Bekasi Tahun 2019. Jurnal Riset Kedokteran, 1(1), 14–18. https://doi.org/10.29313/jrk.v1i1.108
Ramadhan, N. G., & Khoirunnisa, A. (2021). Klasifikasi Data Malaria Menggunakan Metode Support Vector Machine. Jurnal Media Informatika Budidarma, 5(4), 1580. https://doi.org/10.30865/mib.v5i4.3347
Ridwan, A. (2020). Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus. Jurnal SISKOM-KB (Sistem Komputer Dan Kecerdasan Buatan), 4(1), 15–21. https://doi.org/10.47970/siskom-kb.v4i1.169
Sapanta, M. D. (2018). Perbandingan Algoritma Pelatihan backpropagation pada Studi Peramalan Beban Menggunakan Metode Artificial neural network (ANN) Di Kabupaten Bantul. Universitas Islam Indonesia.
Sathyanarayanan, S. (2024). Confusion Matrix-Based Performance Evaluation Metrics. African Journal of Biomedical Research, 27(4), 4023–4031. https://doi.org/10.53555/ajbr.v27i4s.4345
Setiawan, H. B., & Utama, G. P. (2022). Klasifikasi Status Gizi Balita Menggunakan Metode Naïve Bayes Classifier. Senafti. 9(1), 707–715. https://doi.org/10.31543/jii.v9i1.379
Yudianto, M. R. A. (2020). Wayang Dengan Algoritma Convolutional Neural Network. Teknologi Informasi, 4(2), 182–190. https://www.academia.edu/download/93353033/386791048.pdf
License
Copyright (c) 2026 Chansa Adhista Syahira, Arief Agoestanto
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
