Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal MATHunesa: Jurnal Ilmiah Matematika
Pakaya, Andini Eka Saputri
Unknown Affiliation
Mathematics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
PERBANDINGAN SUPPORT VECTOR MACHINE DAN DECISION TREE MENGGUNAKAN BINARY DRAGONFLY ALGORITHM PADA KLASIFIKASI INDEKS KHUSUS PENANGANAN STUNTING (IKPS) KABUPATEN/KOTA DI INDONESIA Pakaya, Andini Eka Saputri; Isran K. Hasan; Novianita Achmad
MATHunesa: Jurnal Ilmiah Matematika Vol. 13 No. 1 (2025)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v13n1.p236-245

Abstract

Stunting merupakan kondisi hambatan pertumbuhan dan perkembangan anak akibat defisiensi gizi kronis dan infeksi berulang. Dalam kondisi ini, anak menunjukkan tinggi atau panjang tubuh dibawah ukuran standar yang ditetapkan. Untuk menggabungkan upaya percepatan penurunan stunting yang telah dilakukan di tingkat nasional, provinsi, dan kabupaten/kota, dibentuklah suatu instrumen Indeks Khusus Penanganan Stunting atau IKPS. Penelitian ini menggunakan metode Support Vector Machine (SVM) dan Decision Tree serta menggunakan Binary Dragonfly Algorithm sebagai fitur seleksi algoritma, pada dataset Indeks Khusus Penanganan Stunting (IKPS) Kabupaten/Kota tahun 2022 yang bersumber dari Website Badan Pusat Statistik, dengan variabel penelitian yang terdiri mulai dari imunisasi, penolongan tenaga kesehatan di fasilitas kesehatan, KB modern, ASI ekslusif, MP ASI, air minum layak, sanitasi layak, Pendidikan Anak Usia Dini, kepemilikan JKN/jamkesda, dan penerima KPS/KKS atau bantuan pangan, serta IKPS. Penelitian ini bertujuan untuk membandingkan metode Support Vector Machine dan Decision Tree menggunakan algoritma seleksi fitur Binary Dragonfly Algorithm dalam mengklasifikasikan Indeks Khusus Penanganan Stunting (IKPS) Kabupaten/Kota di Indonesia. Hasil penelitian menunjukkan metode SVM memperoleh akurasi klasifikasi sebesar 86%, sedangkan metode Decision Tree memperoleh akurasi sebesar 50%.
Co-Authors Isran K. Hasan