Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Teknofile, Jurnal Sistem Informasi
ervina kartikasari
universitas Islam Indragiri
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
KLASIFIKASI STATUS STUNTING PADA BALITA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (KNN) ervina kartikasari; Novisca Indriani; Nurul Hidayah; Muh. Rasyid Ridha
TEKNOFILE : Jurnal Sistem Informasi Vol. 4 No. 6 (2026): Juni 2026
Publisher : PT. ZIVANA CENDEKIAWAN BANGSA

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Stunting merupakan kondisi gangguan pertumbuhan pada balita yang disebabkan oleh kekurangan gizi kronis dalam jangka waktu yang panjang. Kondisi ini masih menjadi salah satu permasalahan kesehatan masyarakat yang memerlukan perhatian karena dapat memengaruhi pertumbuhan fisik, perkembangan kognitif, serta kualitas hidup anak di masa mendatang. Dalam pelaksanaannya, proses pemantauan status gizi balita di lapangan masih banyak dilakukan secara manual melalui pencatatan pada grafik pertumbuhan. Cara tersebut berpotensi menimbulkan kesalahan pencatatan maupun keterlambatan dalam proses identifikasi status gizi. Penelitian ini bertujuan menerapkan metode K-Nearest Neighbor (KNN) untuk mengklasifikasikan status stunting pada balita berdasarkan data antropometri. Tahapan penelitian meliputi pengumpulan data, preprocessing, pembagian data latih dan data uji, serta pengujian beberapa nilai parameter k untuk memperoleh hasil klasifikasi yang sesuai. Melalui metode KNN, status gizi balita ditentukan berdasarkan tingkat kemiripan data dengan data balita yang telah diketahui status gizinya. Hasil penelitian menunjukkan bahwa algoritma KNN dapat digunakan untuk mengklasifikasikan status stunting berdasarkan karakteristik antropometri balita. Model yang dihasilkan kemudian diimplementasikan ke dalam aplikasi berbasis web untuk membantu petugas kesehatan dan kader posyandu dalam melakukan identifikasi awal status stunting. Sistem yang dibangun juga membantu proses pencatatan dan pengolahan data sehingga dapat mengurangi kemungkinan kesalahan dalam pendataan.
Penerapan Support Vector Machine dalam Klasifikasi Ukuran Udang Putih (Litopenaeus vannamei) Berdasarkan Parameter Panjang ervina kartikasari
TEKNOFILE : Jurnal Sistem Informasi Vol. 4 No. 8 (2026): Agustus 2026
Publisher : PT. ZIVANA CENDEKIAWAN BANGSA

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Proses klasifikasi ukuran udang yang dilakukan secara konvensional dapat memiliki keterbatasan dalam konsistensi hasil dan efisiensi proses pengelompokan. Penelitian ini bertujuan untuk menerapkan metode Support Vector Machine (SVM) dalam mengklasifikasikan ukuran udang putih (Litopenaeus vannamei) ke dalam kategori Kecil, Sedang, dan Besar berdasarkan parameter panjang tubuh. Dataset penelitian terdiri dari 1.000 data panjang tubuh udang putih yang dikumpulkan secara langsung. Setelah dilakukan proses pembersihan dan pengolahan data, diperoleh 996 data yang dapat digunakan dalam proses klasifikasi. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan data, penskalaan menggunakan StandardScaler, validasi model menggunakan Stratified K-Fold Cross Validation, klasifikasi menggunakan metode SVM, dan evaluasi model. Evaluasi dilakukan menggunakan Confusion Matrix, Accuracy, Precision, Recall, dan F1-Score. Hasil pengujian menggunakan Stratified K-Fold Cross Validation dengan k=5 memperoleh rata-rata akurasi sebesar 98,39% dengan standar deviasi sebesar 0,58%. Sementara itu, pengujian menggunakan Percentage Split dengan rasio 80:20 menghasilkan akurasi sebesar 98,00% pada 200 data testing, dengan 196 data berhasil diklasifikasikan dengan benar dan 4 data mengalami kesalahan klasifikasi. Berdasarkan hasil evaluasi, nilai Precision sebesar 99,07%, Recall sebesar 96,67%, dan F1-Score sebesar 97,78%. Hasil tersebut menunjukkan bahwa metode SVM dapat digunakan untuk melakukan klasifikasi ukuran udang putih berdasarkan parameter panjang dengan kinerja yang baik.
Co-Authors Muh. Rasyid Ridha Novisca Indriani Nurul Hidayah