Claim Missing Document
Check
Articles

Found 2 Documents
Search

Implementasi Algoritma Naïve Bayes untuk Deteksi Stunting Berdasarkan Data Stunting di Puskesmas Air Beliti Marhaban Limbong; Joni Karman; Rusdiyanto
Jurnal Pustaka Cendekia Hukum dan Ilmu Sosial Vol. 4 No. 1 (2026): Jurnal Pustaka Cendekia Hukum dan Ilmu Sosial Volume 4 Nomor 1 February - May 2
Publisher : PT PUSTAKA CENDEKIA GROUP

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70292/pchukumsosial.v4i1.270

Abstract

Stunting adalah gangguan pertumbuhan yang disebabkan oleh kekurangan gizi kronis yang memengaruhi perkembangan fisik dan kemampuan kognitif anak. Di Puskesmas Air Beliti, penilaian status gizi anak masih dilakukan secara manual, yang membutuhkan waktu dan sumber daya yang cukup besar. Penelitian ini bertujuan untuk mengimplementasikan algoritma Naïve Bayes untuk memprediksi risiko stunting berdasarkan data antropometri anak, termasuk usia, berat badan, tinggi badan, jenis kelamin, dan status gizi. Dataset terdiri dari 1.786 entri data primer yang telah melalui proses pembersihan dan normalisasi data. Penelitian ini menerapkan metode klasifikasi menggunakan algoritma Naïve Bayes, yang melibatkan tiga jenis model: Gaussian, Multinomial, dan Bernoulli. Hasil pengujian menunjukkan bahwa model Gaussian Naïve Bayes mencapai akurasi tertinggi sebesar 85%, diikuti oleh Multinomial (84%) dan Bernoulli (82%). Evaluasi model dilakukan menggunakan matriks kebingungan dan laporan klasifikasi, yang menunjukkan bahwa model tersebut efektif dalam mengidentifikasi kasus stunting tetapi kurang akurat dalam mengenali kasus normal. Temuan ini menunjukkan bahwa algoritma Naïve Bayes dapat dimanfaatkan sebagai alat bantu untuk deteksi dini stunting di pusat-pusat kesehatan masyarakat, sehingga memungkinkan intervensi gizi yang lebih cepat dan lebih tepat sasaran.
SEGMENTASI CITRA BUAH APEL UNTUK DETEKSI BUAH BUSUK MENGGUNAKAN ARSITEKTUR U-NET BERBASIS MOBILENETV2 Alya Ramanda; Budi Santoso; Joni Karman
JUTIM (Jurnal Teknik Informatika Musirawas) Vol. 11 No. 3 (2026): JUTIM (Jurnal Teknik Informatika Musirawas)
Publisher : LPPM UNIVERSITAS BINA INSAN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32767/jutim.v11i3.3464

Abstract

Assessing the quality of apples is essential to ensure they are suitable for consumption; however, manual identification remains slow and subjective. This study aims to develop an image segmentation model for apples to detect decayed areas, utilizing a U-Net architecture based on MobileNetV2. The dataset, sourced from Kaggle, consists of 5,031 images (2,088 fresh apples and 2,943 decayed apples). Binary mask annotations were generated automatically through color thresholding in the HSV color space, combined with morphological operations. The dataset was partitioned into 80% for training (4,024 images) and 20% for validation/testing (1,007 images). The model was configured using a MobileNetV2 encoder (pre-trained on ImageNet), the Adam optimizer (with a learning rate of 10⁻⁴), and a loss function combining Binary Crossentropy and Dice Loss. Test results demonstrate excellent segmentation performance, achieving an accuracy of 98.80%, a Dice Coefficient of 0.9428, and an Intersection over Union (IoU) of 0.8977 at the 45th epoch. In conclusion, the MobileNetV2-based U-Net model proves to be effective and accurate for the automated differentiation between decayed and fresh areas. The primary limitations of this study include the reliance on HSV color-based estimation for binary mask generation and the fact that testing was confined to an experimental cloud environment