Prediksi Prevalensi Stunting Balita dengan Pendekatan Algoritma Support Vector Machine dan Synthetic Minority Oversampling Technique (SMOTE)
Isi Artikel Utama
Abstrak
Stunting pada balita merupakan sebuah status pada balita yang memiliki kekurangan gizi, data yang diusulkan sejumlah 6.879 data balita, hal ini tentu akan lebih komplek bila tidak diketahui informasi terhadap data awal pada balita, dimana data tersebut sebelum diimplementasikan pada algoritma machine learning harus melalui preprocessing dan penyeimbangan data. Dalam prediksi prevalensi stunting pada balita ini menggunakan algoritma machine learning yaitu Support Vector Machine (SVM) dengan metode supervised learning dan synthetic minority oversampling technique (SMOTE) sebagai penyeimbang data serta exploratory data analysis (EDA) sebagai metode preprocessing terhadap dataset balita. Dari hasil implementasi penelitian ini diperoleh sebuah akurasi untuk prediksi sebesar 94%, terdiri dari accuracy 94%, precision 95%, recall 94%, dan F1-score 94%. Â
Rincian Artikel
Bagian
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Kebijakan yang diajukan untuk jurnal yang menawarkan akses terbuka
Syarat yang harus dipenuhi oleh Penulis sebagai berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
Referensi
Amanda, R., & Negara, E. S. (2020). Analysis and Implementation Machine Learning for YouTube Data Classification by Comparing the Performance of Classification Algorithms. Jurnal Online Informatika, 5(1), 61–72. https://doi.org/10.15575/join.v5i1.505
Austin, R. R., Mathiason, M. A., & Monsen, K. A. (2022). Using data visualization to detect patterns in whole-person health data. Research in Nursing and Health, 45(4), 466–476. https://doi.org/10.1002/nur.22248
Barros, M. T., Siljak, H., Mullen, P., Papadias, C., Hyttinen, J., & Marchetti, N. (2022). Objective Supervised Machine Learning-Based Classification and Inference of Biological Neuronal Networks. Molecules, 27(19), 1–23. https://doi.org/10.3390/molecules27196256
Bharti, Gill, N. S., & Gulia, P. (2023). Exploring machine learning techniques for fake profile detection in online social networks. International Journal of Electrical and Computer Engineering, 13(3), 2962–2971. https://doi.org/10.11591/ijece.v13i3.pp2962-2971
Booeshaghi, A. S., Sullivan, D. K., & Pachter, L. (2023). Universal preprocessing of single-cell genomics data. BioRxiv, 2023.09.14.543267. https://www.biorxiv.org/content/10.1101/2023.09.14.543267v1%0Ahttps://www.biorxiv.org/content/10.1101/2023.09.14.543267v1.abstract
Doshi, N., Gundam, S., & Chaudhury, B. (2021). Strategizing University Rank Improvement using Interpretable Machine Learning and Data Visualization. http://arxiv.org/abs/2110.09050
Dritsas, E., & Trigka, M. (2023). Supervised Machine Learning Models to Identify Early-Stage Symptoms of SARS-CoV-2. Sensors, 23(1). https://doi.org/10.3390/s23010040