Article Per Year (5 Year)
p-Index From 2021 - 2026
2.024
P-Index
This Author published in this journals
All Journal E-Dimas: Jurnal Pengabdian kepada Masyarakat Jurnal Teknik Informatika (JUTIF) International Journal of Global Operations Research Jurnal Mandiri IT International Journal of Ethno-Sciences and Education Research Asian Journal of Environmental Research Journal of Scientific Insights Proceeding International Conference on Mathematics and Learning Research
Ekowati, Maria Atik Sunarti
Unknown Affiliation
Religion Humanities Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Engineering Languange, Linguistic, Communication & Media Library & Information Science Materials Science & Nanotechnology Mathematics Medicine & Pharmacology Public Health Social Sciences Transportation Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Predictive Modeling for Underweight Detection in Toddlers Using Support Vector Machine, K-Nearest Neighbors, and Decision Tree C4.5 Algorithms Ekowati, Maria Atik Sunarti; Hidayat, Nurul; Karim, Abdul
Jurnal Teknik Informatika (Jutif) Vol. 6 No. 6 (2025): JUTIF Volume 6, Number 6, Desember 2025
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2025.6.6.5439

Abstract

Gizi kurang (underweight) pada balita masih menjadi tantangan utama kesehatan masyarakat di Indonesia, dengan prevalensi mencapai 15,9% berdasarkan Survei Kesehatan Indonesia tahun 2023. Kondisi ini berdampak serius terhadap pertumbuhan fisik, perkembangan kognitif, dan kualitas hidup anak. Penelitian ini bertujuan untuk mengembangkan model prediktif guna mendeteksi dini status gizi balita dengan menggunakan metode supervised machine learning. Tiga algoritma pembelajaran terawasi diterapkan dan dievaluasi, yaitu Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Decision Tree C4.5, dengan memanfaatkan dataset berisi 9.284 catatan balita dari Kabupaten Sukoharjo yang mencakup delapan atribut dan satu label kelas status gizi. Hasil analisis menunjukkan bahwa algoritma SVM memberikan performa klasifikasi tertinggi dengan akurasi 98,56%, diikuti KNN dengan akurasi 97,99% dan Decision Tree C4.5 dengan akurasi 96,96%. Temuan ini menegaskan bahwa machine learning dapat menjadi alat yang efektif untuk identifikasi dini risiko gizi kurang pada anak, sehingga memungkinkan intervensi yang lebih cepat, tepat, dan berbasis data. Pendekatan ini berkontribusi pada peningkatan efektivitas program kesehatan anak dan mendukung pencapaian target pembangunan kesehatan nasional.
Co-Authors Abdul Karim Dananti, Kristyanan Darsini . . Kristyana Dananti, Kristyana Moyo Hady Poernomo Nindyatama , Zefanya Permata Nindyatama, Zefanya Permata Nurul Hidayat Poernomo, Moyo Hadi Rumekso , Ayub Widhi Rumekso, Ayub Widhi Saputra, Unggul Widya Silmano, Gabriel Sri Wening Wening , Sri Widianto Widianto