Article Per Year (5 Year)
p-Index From 2020 - 2025
2.133
P-Index
This Author published in this journals
All Journal Proceeding SENDI_U Jurnal Pilar Nusa Mandiri JURNAL TEKNIK JIKA (Jurnal Informatika) Jurnal Sistem Informasi Journal Social Science And Technology For Community Service Jurnal Sistem Informasi Akuntansi Community Services and Social Work Bulletin IPSIKOM
Liesnaningsih, Liesnaningsih
Unknown Affiliation
Aerospace Engineering Agriculture, Biological Sciences & Forestry Humanities Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Materials Science & Nanotechnology Mechanical Engineering Social Sciences

Published : 14 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : IPSIKOM

 1 
PENERAPAN DATA MINING UNTUK PREDIKSI STUNTING PADA BALITA MENGGUNAKAN ALGORITMA C4.5 Qisthi, Nurul; Kasoni, Dian; Liesnaningsih, Liesnaningsih; Heriyani, Nofitri
Insan Pembangunan Sistem Informasi dan Komputer (IPSIKOM) Vol 12, No 2 (2024): DESEMBER 2024
Publisher : Universitas Insan Pembangunan Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58217/ipsikom.v12i2.314

Abstract

Stunting pada balita merupakan masalah kesehatan serius dengan dampak jangka panjang pada perkembangan fisik dan kognitif anak. Tingginya angka stunting saat ini menunjukkan perlunya upaya intensif dan inovatif untuk penanganannya, termasuk melalui pendekatan berbasis data dan teknologi. Identifikasi risiko stunting umumnya dilakukan secara manual melalui pengukuran antropometri, yang memerlukan waktu, tenaga ahli, dan rentan terhadap kesalahan. Penelitian ini bertujuan untuk menerapkan pendekatan data mining menggunakan algoritma C4.5 dalam prediksi risiko stunting pada balita. Algoritma C4.5 dipilih karena kemampuannya menangani data kategori dan numerik serta menghasilkan model klasifikasi berbentuk pohon keputusan yang mudah diinterpretasi. C4.5 memanfaatkan informasi gain untuk memilih fitur paling relevan, sehingga efektif dalam membagi data dan mengklasifikasikan status gizi balita. Penelitian ini menghasilkan model prediksi stunting yang memanfaatkan fitur-fitur seperti tinggi badan, umur, dan jenis kelamin dengan algoritma C4.5. Model ini menunjukkan akurasi tinggi sebesar 98.88%, dengan nilai precision, recall, dan F1-score yang konsisten di setiap kelas. Selain itu, nilai ROC-AUC sebesar 98.98% menunjukkan kemampuan model yang baik dalam membedakan kelas status gizi yang berbeda. Tingginya akurasi ini mengindikasikan bahwa algoritma C4.5 dapat diandalkan untuk mendeteksi risiko stunting secara efektif, sehingga dapat mendukung tenaga kesehatan dan pembuat kebijakan dalam melakukan intervensi yang lebih tepat dan akurat.
Co-Authors Afif, Fakhri Fuad Anwar, Muhammad Syaiful ARIF KURNIAWAN Azhar, Haikal Akhalul Dany Pratmanto Destriana, Rachmat Handayani, Nurdiana Herdiansah, Arief Heriyani, Nofitri Ichsani, Annisa Kasoni, Dian Mabrur, Nur Shobi Muhammad Aminullah, Muhammad nurnaningsih, Desi Oklawati, Oklawati Pratama, Radya Adhi Qisthi, Nurul Rachel, Figo Rini Nuraini, Rini Rohmat Taufiq Rusdianto, Hengki Sidiq, Sofian Sri Mulyati Subkhan, Wimas Mutas Suhendar, Asep Triansyah, Jully Zulham, Zulham