Article Per Year (5 Year)
p-Index From 2021 - 2026
13.032
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Syntax Jurnal Informatika Jurnal Ilmu Komputer dan Agri-Informatika SITEKIN: Jurnal Sains, Teknologi dan Industri CESS (Journal of Computer Engineering, System and Science) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) RABIT: Jurnal Teknologi dan Sistem Informasi Univrab Jurnal Informatika Jurnal CoreIT JURNAL MEDIA INFORMATIKA BUDIDARMA Indonesian Journal of Artificial Intelligence and Data Mining Seminar Nasional Teknologi Informasi Komunikasi dan Industri INOVTEK Polbeng - Seri Informatika JURNAL INSTEK (Informatika Sains dan Teknologi) Jurnal Informatika Universitas Pamulang Jurnal Nasional Komputasi dan Teknologi Informasi JURIKOM (Jurnal Riset Komputer) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) JOISIE (Journal Of Information Systems And Informatics Engineering) Building of Informatics, Technology and Science Progresif: Jurnal Ilmiah Komputer bit-Tech Zonasi: Jurnal Sistem Informasi Journal of Applied Engineering and Technological Science (JAETS) Jurnal Tekinkom (Teknik Informasi dan Komputer) JOURNAL OF INFORMATION SYSTEM MANAGEMENT (JOISM) Indonesian Journal of Electrical Engineering and Computer Science JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Journal of Computer System and Informatics (JoSYC) Jurnal Sistem Komputer dan Informatika (JSON) JUKI : Jurnal Komputer dan Informatika TIN: TERAPAN INFORMATIKA NUSANTARA Jurnal Teknik Informatika (JUTIF) Jurnal Restikom : Riset Teknik Informatika dan Komputer Information System Journal (INFOS) Jurnal Computer Science and Information Technology (CoSciTech) Jurnal UNITEK Bulletin of Computer Science Research KLIK: Kajian Ilmiah Informatika dan Komputer Jurnal Informatika Teknologi dan Sains (Jinteks) Sisfo: Jurnal Ilmiah Sistem Informasi Malcom: Indonesian Journal of Machine Learning and Computer Science Jurnal Teknik Indonesia Indonesian Journal of Multidisciplinary on Social and Technology Jurnal Informatika: Jurnal Pengembangan IT Jurnal Komtika (Komputasi dan Informatika)
Fadhilah Syafria
Universitas Islam Negeri Sultan Syarif Kasim Riau
Aerospace Engineering Agriculture, Biological Sciences & Forestry Arts Humanities Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Dentistry Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Mechanical Engineering Medicine & Pharmacology Neuroscience Nursing Physics Social Sciences Transportation Veterinary Other

Published : 117 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 117 Documents
Search

 7   8   9   10   11 
PENGARUH TEKNIK PENYEIMBANGAN DATA PADA KLASIFIKASI PENYAKIT NAFLD DENGAN ALGORITMA SVM Faska, Ridho Mahardika; Gusti, Siska Kurnia; Budianita, Elvia; Syafria, Fadhilah
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 2 (2025): EDISI 24
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i2.5849

Abstract

Non-Alcoholic Fatty Liver Disease (NAFLD) merupakan penyakit hati kronis yang prevalensinya terus meningkat secara global, termasuk di Indonesia, dengan faktor risiko utama seperti obesitas, diabetes melitus, dan dislipidemia. Deteksi dini NAFLD menjadi tantangan penting karena metode konvensional seperti biopsi hati dan pencitraan memiliki keterbatasan dalam hal biaya, risiko invasif, dan kepraktisan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi NAFLD menggunakan algoritma Support Vector Machine (SVM) dengan memanfaatkan dataset dari Kaggle yang terdiri dari 10 variabel dan 17.549 data. Untuk mengatasi masalah ketidakseimbangan kelas, diterapkan teknik oversampling seperti SMOTE, ADASYN, dan Random Oversampling (ROS) untuk melihat performa akurasi. Hasil penelitian menunjukkan bahwa SMOTE memberikan performa terbaik dengan akurasi tertinggi mencapai 78,70% pada kernel RBF, ROS dengan akurasi 78,18% dan ADASYN dengan akurasi 76,86%. Penelitian ini menyimpulkan bahwa pemilihan teknik oversampling data dan parameter yang tepat sangat penting dalam meningkatkan efektivitas model untuk menangani data tidak seimbang, sehingga dapat berkontribusi pada pengembangan metode deteksi NAFLD yang lebih efisien dan non-invasif.
EVALUASI PERBANDINGAN PERFORMANSI LVQ 1, LVQ 2, DAN LVQ 3 DALAM KLASIFIKASI JENIS KELAMIN MENGGUNAKAN TULANG TENGKORAK DARMILA; IIS AFRIANTY; SUWANTO SANJAYA; RAHMAD ABDILLAH; IWAN ISKANDAR; FADHILAH SYAFRIA
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 7 No 2 (2022): OCTOBER
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v7i2.32659

Abstract

Klasifikasi merupakan teknik pengelompokkan data sesuai dengan karakteristik data yang telah ditentukan. Hasil performansi akurasi dapat menjadi ukuran keakuratan metode yang digunakan dalam proses klasifikasi. Teknik pengambilan data yang tidak sesuai dapat mengurangi hasil akurasi. Pada penelitian ini menggunakan metode Learning Vector Quantization (LVQ) 1, 2, dan 3 untuk melihat keakuratan metode klasifikasi dengan menggunakan teknik pengambilan data sampling. Data yang digunakan merupakan data pengukuran tulang tengkorak laki-laki dan perempuan yang berjumlah 2524 data. Pada LVQ 1 mendapatkan akurasi terbaik yaitu 91.39% dengan learning rate 0.1, 0.4, 0.7, 0.9. LVQ 2 mendapatkan akurasi terbaik 77.05% dengan learning rate 0.9 dan window 0.2. LVQ 3 mendapatkan akurasi terbaik yaitu 80.04% dengan learning rate 0.7, window 0.1, dan epsilon 0.3. Hal ini menunjukkan bahwa LVQ 1 lebih tepat untuk diterapkan terhadap multi-fitur pada dataset William W. Howells Craniometric dibandingkan LVQ 2 dan LVQ 3.
PENERAPAN METODE INFORMATION GAIN DAN LEARNING VECTOR QUANTIZATION 3 PADA KLASIFIKASI PENYAKIT GINJAL Aprima, Muhammad Dzaky; Budianita, Elvia; Syafria, Fadhilah; Afrianty, Iis
Information System Journal Vol. 8 No. 01 (2025): Information System Journal (INFOS)
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/infosjournal.2025v8i01.2117

Abstract

Penyakit Ginjal Kronis (PGK) adalah penyakit yang ditunjukkan dengan turunnya fungsi ginjal yang disebabkan oleh penumpukan sisa metabolik dan berakibat tidak berfungsinya ginjal. Prediksi penyakit ini dengan data mining berperan penting dalam upaya pencegahan penyakit ini. Penelitian ini menerapkan seleksi fitur information gain pada metode Learning Vector Quantization 3 (LVQ3) dalam mengklasifikasikan penyakit ginjal kronis. Pengujian dilakukan 5 skenario pengujian dengan jumlah data sebanyak 1659 data dan 53 atribut. Seleksi fitur menerapkan information gain dengan threshold 0,3 dengan 36 fitur terpilih dan 0,7 dengan 33 fitur terpilih. Model diuji dengan kombinasi parameter learning rate dan window serta dievaluasi menggunakan akurasi, presisi, recall, dan F1-Score. Hasil akurasi tertinggi diperoleh tanpa menerapkan seleksi fitur sebesar 92,77%. Setelah seleksi fitur, akurasi menurun menjadi 86,45%. Kombinasi SMOTE dan seleksi fitur pada threshold 0,3 menurunkan akurasi hingga 81,64%. Hasil penelitian berhasil menerapkan LVQ 3 dalam klasifikasi penyakit ginjal kronis.
IMPLEMENTASI LEARNING VECTOR QUANTIZATION 2 DAN INFORMATION GAIN UNTUK KLASIFIKASI PENYAKIT GINJAL KRONIS Zabihullah, Fayat; Budianita, Elvia; Syafria, Fadhilah; Afrianty, Iis
Information System Journal Vol. 8 No. 01 (2025): Information System Journal (INFOS)
Publisher : Universitas Amikom Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24076/infosjournal.2025v8i01.2118

Abstract

Penyakit ginjal kronis terjadi ketika ginjal gagal mempertahankan metabolisme dan keseimbangan tubuh, serta memiliki risiko kematian yang tinggi. Analisis dan prediksi menggunakan teknik klasifikasi data dapat membantu mengurangi risiko tersebut. Penelitian ini bertujuan untuk mengklasifikasikan penyakit ginjal kronis dengan menggabungkan metode seleksi fitur Information Gain dan algoritma Learning Vector Quantization 2 (LVQ2). Dataset yang digunakan terdiri dari 1.659 data dengan 53 atribut dan 1 label kelas. Tahapan penelitian meliputi preprocessing, seleksi fitur, normalisasi, dan klasifikasi. Seleksi fitur dilakukan berdasarkan nilai Information Gain dengan threshold tertentu. Model diuji dengan kombinasi parameter learning rate dan window, serta dievaluasi menggunakan akurasi, presisi, recall, dan F1-score. Hasil terbaik diperoleh tanpa seleksi fitur dengan akurasi 93,98%. Setelah seleksi fitur, akurasi menurun sedikit menjadi 93,37%. Kombinasi Smote dan seleksi fitur meningkatkan presisi, recall, dan F1 score, namun menurunkan akurasi hingga menjadi 80,00% pada threshold 0,7 dengan fitur terpilih 33.
Perbandingan Inisialisasi Bobot Random dan Nguyen-Widrow Pada Backpropagation Dalam Klasifikasi Penyakit Diabetes Guswanti, Widya; afrianty, iis; budianita, elvia; syafria, fadhilah
Jurnal Informatika: Jurnal Pengembangan IT Vol 10, No 2 (2025)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v10i2.8618

Abstract

Diabetes is a metabolic disorder that occurs when the pancreas is unable to produce adequate amounts of insulin or the body has difficulty in utilizing it optimally. This condition has the potential to cause various health complications. Therefore, early diagnosis of diabetes is very important to reduce the mortality rate due to these complications. Backpropagation Neural Network (BPNN) is an approach in Artificial Neural Network (ANN) that is commonly applied for disease classification, including diabetes. However, the BPNN method has drawbacks, namely its slow convergence rate and the possibility of getting stuck at a local minimum due to random weight initialization. To overcome these problems, this study applies the Nguyen-Widrow weight initialization method to improve the performance of BPNN in diabetes classification. The data source in this study comes from Kaggle, consisting of 768 data with 8 parameters. Model testing was conducted using k-fold cross-validation with K=10, and exploring various numbers of neurons in the hidden layer and learning rate (lr). The results showed that weight initialization using the Nguyen-Widrow method improved the accuracy of BPNN compared to random weight initialization. The best model was obtained with lr 0.001 and 15 neurons in the hidden layer, resulting in an accuracy of 91.23%, higher than the random weight initialization which only reached 89.91%. Thus, the Nguyen-Widrow method is proven effective in improving the performance of BPNN for diabetes classification.Diabetes merupakan gangguan metabolik yang terjadi ketika pankreas tidak mampu menghasilkan insulin dalam jumlah yang memadai atau tubuh mengalami kesulitan dalam memanfaatkannya secara optimal. Kondisi ini berpotensi menimbulkan beragam komplikasi kesehatan. Oleh karena itu, diagnosis dini penyakit diabetes sangat penting untuk menekan angka kematian akibat komplikasi tersebut. Backpropagation Neural Network (BPNN) adalah pendekatan dalam Jaringan Syaraf Tiruan (JST) yang umum diterapkan untuk klasifikasi penyakit, termasuk diabetes. Namun, metode BPNN memiliki kekurangan, yaitu laju konvergensinya yang lambat dan kemungkinan terjebak pada minimum lokal akibat inisialisasi bobot yang dilakukan secara random. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan metode inisialisasi bobot Nguyen-Widrow guna meningkatkan performa BPNN dalam klasifikasi diabetes. Sumber data dalam penelitian ini berasal dari Kaggle, terdiri dari 768 data dengan 8 parameter. Pengujian model dilakukan menggunakan k-fold cross-validation dengan K=10, serta mengeksplorasi berbagai jumlah neuron dalam hidden layer dan learning rate (lr). Hasil penelitian menunjukkan bahwa inisialisasi bobot menggunakan metode Nguyen-Widrow meningkatkan akurasi BPNN dibandingkan dengan inisialisasi bobot random. Model terbaik diperoleh dengan lr 0,001 dan 15 neuron pada hidden layer, menghasilkan akurasi sebesar 91,23%, lebih tinggi dibandingkan inisialisasi bobot random yang hanya mencapai 89,91%. Dengan demikian, metode Nguyen-Widrow terbukti efektif dalam meningkatkan performa BPNN untuk klasifikasi diabetes.
Klasifikasi Tulang Tengkorak Berdasarkan Jenis Kelamin Menggunakan Correlation-Based Feature Selection (CFS) dengan Backpropagation Neural Network (BPNN) Ma'rifah, Laila Alfi; Afrianty, Iis; Budianita, Elvia; Syafria, Fadhilah
Jurnal Informatika: Jurnal Pengembangan IT Vol 10, No 2 (2025)
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/jpit.v10i2.8616

Abstract

Abstract – In forensic anthropology, sex identification is the initial step in individual identification, with a probability level of 50%, influencing subsequent examinations such as age and height estimation. The skull is the second-best choice after the pelvis for determining sex, with an accuracy of up to 90%. Morphological and metric methods are less reliable due to the high variability of skulls, while DNA analysis is ineffective on burned or damaged bones. Therefore, this study applies Correlation-Based Feature Selection (CFS) with a Backpropagation Neural Network (BPNN) to improve classification accuracy. The dataset used originates from Dr. William Howells, consisting of 2,524 skull samples with 85 variables. CFS was applied with two thresholds, 0.1 and 0.01, and the division of training data and test data using k-fold cross validation with k=10. The BPNN parameters included learning rates of 0.01 and 0.001, along with three different architectures based on the number of input neurons. The results indicate that CFS improved accuracy from 92.06% to 93.25% under the CFS threshold of 0.01, with a learning rate of 0.001 and a BPNN architecture of [72; 95; 1]. This study confirms that combining CFS and BPNN enhances sex classification accuracy based on skull bones.Abstrak – Pada antropologi forensik, identifikasi jenis kelamin adalah langkah awal dalam mengidentifikasi individu dengan tingkat probabilitas 50%, yang berpengaruh pada pemeriksaan lain seperti perkiraan usia dan tinggi badan. Tulang tengkorak menjadi pilihan terbaik kedua setelah tulang panggul dalam menentukan jenis kelamin dengan akurasi hingga 90%. Metode morfologi dan metrik kurang dapat diandalkan karena variabilitas tengkorak yang tinggi, sementara analisis DNA tidak efektif pada tulang yang terbakar atau rusak. Oleh karena itu, penelitian ini menerapkan Correlation-Based Feature Selection (CFS) dengan Backpropagation Neural Network (BPNN) untuk meningkatkan akurasi klasifikasi. Dataset yang digunakan berasal dari Dr. William Howells, terdiri dari 2.524 sampel tengkorak dengan 85 variabel. Pada CFS digunakan dua ambang batas yaitu 0,1 dan 0,01, serta pembagian data latih dan uji data menggunakan k-fold cross validation dengan k=10. Parameter BPNN yang digunakan meliputi learning rate (0,01 dan 0,001) serta tiga arsitektur berbeda sesuai dengan jumlah neuron input. Hasil menunjukkan bahwa CFS meningkatkan akurasi dari 92,06% menjadi 93,25% pada konfigurasi ambang batas CFS 0,01 dengan learning rate 0,001 dan arsitektur BPNN [72; 95; 1]. Penelitian ini menunjukkan bahwa kombinasi CFS dan BPNN dapat meningkatkan akurasi klasifikasi jenis kelamin berdasarkan tulang tengkorak.
Clustering Data Penduduk Menggunakan Algoritma K-Means Ikhsan, Tomi; Haerani, Elin; Wulandari, Fitri; Syafria, Fadhilah
TIN: Terapan Informatika Nusantara Vol 5 No 12 (2025): May 2025
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/tin.v5i12.7328

Abstract

Economic inequality is still a crucial factor facing Indonesia today, from big cities to remote villages, economic inequality is still a major problem. Bina Baru Village is no exception, a village inhabited by 5,760 people with a total of 1,742 families, spread across 30 neighbourhood associations (RT) and 8 community associations (RW). Various efforts are made to overcome the problem of economic inequality, one of which is by channeling assistance or providing policies that are right on target. One of the steps to overcome this problem is to group population data in Bina Baru village using the K-Means Clustering method which aims to determine the economic level of families in the region, so that local governments can more accurately make policies on the problem of economic inequality that occurs. The data used comes from a questionnaire of 1,005 family data with 64 attributes and 1,005 individual data with 84 attributes. The application of the k-means algorithm is carried out using python, also using DBI (Davies-Bouldin Index) to determine the optimum k value. In this study, the optimal k value is 3 clusters. Based on testing, it is found that Cluster 0 represents households with medium economic conditions, cluster 1 represents groups with better economic conditions and Cluster 2 is a group of households with low economic conditions. By clustering the population's economy, it is hoped that it can help stakeholders to provide targeted policies.
KLASIFIKASI PENYAKIT TANAMAN PADI MENGGUNAKAN ARSITEKTUR DENSENET-121 DAN AUGMENTASI DATA Yanto, Febi; Agustina, Auliyah; Budianita, Elvia; Iskandar, Iwan; Syafria, Fadhilah
JOISIE (Journal Of Information Systems And Informatics Engineering) Vol 8 No 1 (2024)
Publisher : Institut Bisnis dan Teknologi Pelita Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35145/joisie.v8i1.4256

Abstract

Padi (Oryza sativa) merupakan salah satu jenis tanaman pangan dimana beras sebagai hasil tanaman padi, menjadi bahan pangan utama untuk sebagian besar penduduk indonesia. Dalam proses budidaya padi, tantangan penyakit seringkali menjadi ancaman yang signifikan. Menyebarnya penyakit menyebabkan penurunan ekonomi, seperti pada tahun 2023 penurunan 0,22%. Selain itu minimnya pengetahuan dan wawasan petani dalam mengidentifikasi dan mendiagnosa jenis penyakit padi menjadi penyebab kurangnya hasil produksi padi. Oleh karena itu perlu adanya suatu klasifikasi penyakit padi menggunakan DenseNet-121 dan augmentasi data. Penelitian ini menggunakan pendekatan deep learning yakni Convolutional Neural Network (CNN) dengan arsitektur DenseNet-121 dan augmentasis data crop. DenseNet saat ini banyak digunakan untuk klasifikasi, DenseNet memanfaatkan koneksi padat antar lapisan, mengurangi jumlah parameter, memperkuat propagasi, dan mendorong pemanfaatan kembali fitur. Menggunakan dataset yang berasal dari situs Kaggle yang terdiri dari 3 jenis penyakit tanaman padi yaitu brown spot, blast, dan blihgt dengan setiap kelas terdiri dari 250 citra sehingga semua data berjumlah 750 citra. Hasil terbaik dari beberapa pengujian diperoleh akurasi terbaik sebesar 99,17% dan los 0,0355 menggunakan model DenseNEt-121, pembagian data 90;10 dengan menggunakan leraning rate 0,001 dan dropout 0,01 serta menggunakan augmentasi data, sedangkan untuk hasil akurasi tanpa augmentasi diperoleh hasil akurasi terbaik yaitu 95,00%dengan pembagian data 90;10, learning rate 0,01 dan dropuot 0,1.
KLASIFIKASI STATUS STUNTING BALITA MENGGUNAKAN METODE C4.5 BERBASIS WEB Fauzan Adzim; Budianita, Elvia; Nazir, Alwis; Syafria, Fadhilah
ZONAsi: Jurnal Sistem Informasi Vol. 5 No. 3 (2023): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode September 2023
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/zn.v5i3.15828

Abstract

Stunting pada balita merupakan permasalahan serius yang perlu diselesaikan karena berdampak negatif pada pertumbuhan dan perkembangan anak. Stunting adalah keadaan dimana balita mengalami kekurangan gizi yang kronis sehingga pertumbuhan fisik dan tinggi badannya tidak sejalan dengan usianya. Pola makan yang tidak memadai dan nutrisi yang tidak sesuai menjadi sebab terjadinya stunting pada balita. Dalam upaya pencegahan stunting dilakukan pemantauan terhadap status gizi dan tumbuh kembang balita setiap bulan di posyandu terdekat. Untuk menentukan status balita normal atau stunting masih menggunakan cara manual berdasarkan metode antropometri sehingga dapat meningkatkan risiko kesalahan dalam perhitungan atau penginputan data. Menggunakan teknik Data mining dapat menentukan klasifikasi atau prediksi pada status stunting balita dengan menganalisis pola data yang telah ada sebelumnya. C4.5 adalah algoritma klasifikasi terkenal dan familiar dan sering digunakan dengan menggunakan teknik pohon keputusan juga mempunyai keunggulan seperti mampu mengolah data numerik (kontinu) dan diskrit, merapikan nilai atribut yang tidak lengkap, menciptakan aturan yang mudah dimengerti, serta kecepatan pemprosesan yang relatif cepat dibandingkan dengan algoritma lainnya adapun dataset yang digunakan terdiri dari atribut umur, jenis kelamin, indeks menyusui dini (IMD), berat badan, dan tinggi badan. Evaluasi model dilakukan dengan mempergunakan confusion matrix dan menghasilkan tingkat akurasi terbaik sebesar 93.62%. Hasil ini diperoleh dari pemisahan data sebanyak 80% data latih sebanyak 20% data uji dengan dengan Max Depth sebesar 10 dan jumlah seluruh data sebanyak 1172.
Klasifikasi Status Stunting Balita Menggunakan Metode Naïve Bayes Gaussian Berbasis Web Mulyono, Makmur; Budianita, Elvia; Nazir, Alwis; Syafria, Fadhilah
Jurnal Informatika Universitas Pamulang Vol 8 No 3 (2023): JURNAL INFORMATIKA UNIVERSITAS PAMULANG
Publisher : Teknik Informatika Universitas Pamulang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32493/informatika.v8i3.33399

Abstract

The growth and development of toddlers must get attention from parents because toddlerhood is a golden period in shaping the growth and development and intelligence of children. Stunting is  a state of malnutrition in which stunted growth and development of children and this is included in chronic nutritional problems, the incidence of stunting  can be seen from height that is not in accordance with age. In preventing toddlers from stunting, it is necessary to anticipate early prevention by conducting examinations at the nearest posyandu which is measured using anthropometric methods. The calculation  of stunting or normal status based on anthropometric data is generally processed manually so that there is a high possibility of errors in calculating and entering data. Data mining can make classifications or predictions on the stunting status  of toddlers by studying previous data patterns. Naïve bayes is one classification method that has the advantage of high accuracy with little training data as for the attributes used in this study, namely age, gender, Early Initiation of Breastfeeding (IMD), weight, height. Based on the test results, the best average accuracy was obtained on numerical data types for age, weight, height and nominal gender attributes, Early Breastfeeding Initiation (IMD) with the highest accuracy in the 80:20 data comparison, which is 80.34% with a total of 1172 data.
Co-Authors Abdul Aziz Abdullah, Said Noor Abdussalam Al Masykur Adrian Maulana Adzhima, Fauzan Agung Syaiful Rahman Agus Buono Agustina, Auliyah Ahmad Paisal Aji Pangestu Adek Akbar, Lionita Asa Alfin Hernandes Alwaliyanto Alwaliyanto Alwis Nazir Alwis Nazir Alwis Nazir Alwis Nazir Alwis Nazir Alwis Nazir Amalia Hanifah Artya Aminuyati Andre Suarisman Aprima, Muhammad Dzaky Ariq At-Thariq Putra Baehaqi Bib Paruhum Silalahi Boni Iqbal Che Hussin, Ab Razak Darmila Dede Fadillah Deny Ardianto Devi Julisca Sari Dina Septiawati Dodi Efendi Eka Pandu Cynthia Eka Pandu Cynthia Elin Haerani Elin Haerani Elin Haerani Elin Haerani Elin Haerani Elin Haerani Elin Haerani Elin Hearani Ellin Haerani Elvia Budianita Fakhri Fakhri Faska, Ridho Mahardika Fatma Hayati Fauzan Adzim Febi Nur Salisah Febi Yanto Felian Nabila Ferdian Arya Dinata Fitra Lestari Fitri Insani Fitri Insani Fitri Wulandari Fitri Wulandari Fratiwi Rahayu Gusrifaris Yuda Alhafis Gusti, Siska Kurnia Guswanti, Widya Habibi Al Rasyid Harpizon Habibi Putra Indrizal Hafez Almirza Hafsyah Hara Novina Putri Harni, Yulia Hertati Ibnu Afdhal Ihda Syurfi Iis Afrianty Iis Afrianty Ikhsan, Tomi Ikhsanul Hamdi Inggih Permana Irfan Jamal Matondang Irma Sanela Ismail Marzuki Ismail Marzuki Ismar Puadi Isnan Mellian Ramadhan Israldi, Tino Iwan Iskandar Iwan Iskandar Iwan Iskandar Iwan Iskandar Iwan Iskandar Jasril Jasril Jasril Jasril Jauhari, Najwa Karina Julita Lestari Handayani Lestari Handayani Lili Rahmawati Liza Afriyanti Lola Oktavia Lola Oktavia Oktavia M Fikry M. Afif Rizky A. Ma'rifah, Laila Alfi Masaugi, Fathan Fanrita Maulana Junihardi Mawadda Warohma Mazdavilaya, T Kaisyarendika Mhd. Kadarman Mori Hovipah Mori Hovipah Morina Lisa Pura Muhammad Affandes Muhammad Alvin Muhammad Badri Muhammad Fahri Muhammad Farid Audi Rahman Simatupang Muhammad Fikry Muhammad Fikry Muhammad Fikry Muhammad Hanif Abdurrohman Muhammad Ichsanul Bukhari Muhammad Irsyad Muhammad Syafriandi, Muhammad Muhammad Taufiq Muhammad Yusril Haffandi Muhammad Yusuf Fadhillah Mulyono, Makmur Muslimin, Al’hadiid Nabyl Alfahrez Ramadhan Amril Nada Tsawaabul Khair Nailatul Fadhilah Nazir, Alwis Nazruddin Safaat H Negara, Benny Sukma Neni Sari Putri Juana Nesdi Evrilyan Rozanda Nining Nur Habibah Novi Yanti Novriyanto Novriyanto Nurainun Nurainun Nurika Dwi Wahyuni Okfalisa Okfalisa Okfalisa Okfalisa Permata, Rizkiya Indah Pizaini Pizaini Puspa Melani Almahmuda Putra, Fiqhri Mulianda Putri Mardatillah Putri, Widya Maulida R. Rahmadhani Rahmad Abdillah Rahmad Abdillah Rahmad Kurniawan Raja Sultan Firsky Ramadhan, Aweldri Ramadhan, Muhammad Ilham Ramadhani Herfin Ramadhani, Siti Reski Mai Candra Reski Mai Candra Reski Mai Candra Reski Mei Candra Restu Kharrisa Andini Riska Yuliana Roni Salambue Said Nanda Saputra Salmiyati Salmiyati Satria Bumartaduri Silfia Silfia Siti Ramadhani Siti Ramadhani Siti Sri Rahayu Surya Agustian Suswantia Andriani Suwanto Sanjaya Syaputra, Muhammad Dwiky Teddie Darmizal Teddie Darmizal Ummy Agustina Putri Wulandari, Fitri Yaskur Bearly Fernandes Yelvi Vitriani Yusra Yusra Yusra, Yusra Yusril Hidayat Zabihullah, Fayat Zulastri, Zulastri