<![CDATA[Stunting merupakan masalah kesehatan global yang signifikan, mempengaruhi pertumbuhan dan perkembangan anak-anak di seluruh dunia, termasuk Indonesia. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi kinerja algoritma machine learning dalam mendiagnosa stunting berdasarkan gejala medis. Tiga algoritma utama yang digunakan adalah Naive Bayes, Support Vector Machine (SVM), dan K-Nearest Neighbor (K-NN). Dataset yang digunakan dalam penelitian ini terdiri dari data gejala medis yang relevan dengan stunting, yang dikumpulkan dari berbagai sumber terpercaya. Data tersebut diproses melalui tahap pembersihan, normalisasi, dan pembagian menjadi set pelatihan dan set pengujian. Setelah data diproses, setiap algoritma machine learning dilatih menggunakan set pelatihan dan kemudian diuji menggunakan set pengujian untuk mengevaluasi kinerjanya. Hasil evaluasi menunjukkan bahwa algoritma Naive Bayes memberikan skor akurasi tertinggi sebesar 90%, diikuti oleh SVM dengan akurasi 86,56%, dan K-NN dengan akurasi 79,43%. Analisis hasil menunjukkan bahwa Naive Bayes adalah algoritma yang paling efektif untuk diagnosa stunting berdasarkan gejala medis, karena memberikan akurasi tertinggi dan efisiensi dalam komputasi. SVM juga menunjukkan kinerja yang kuat dalam menangani data berdimensi tinggi, sementara K-NN memberikan hasil yang memuaskan meskipun dengan akurasi yang lebih rendah. Kesimpulan penelitian ini adalah bahwa Naive Bayes dapat menjadi pilihan utama untuk implementasi dalam sistem diagnosa stunting, dengan mempertimbangkan keunggulan dalam akurasi dan efisiensi. Penelitian ini memberikan kontribusi signifikan dalam bidang kesehatan dengan menyediakan model prediksi yang efektif untuk diagnosa stunting, serta memberikan rekomendasi praktis bagi tenaga medis dalam memanfaatkan teknologi machine learning. Validasi eksternal diusulkan sebagai langkah lanjutan untuk memastikan generalisasi model.]]>
Copyrights © 2024
