PENERAPAN METODE NAÏVE BAYES DALAM PENENTUAN GIZI PADA IBU HAMIL DI KELURAHAN BUNGA TANJUNG

Depy Rahmadani, Wiwin Handoko, Fuji Sriutami, Khairini Utami Br.Siagian

Abstract


Abstract: Nutrition is one of the determinants of the quality of human resources. Food given to pregnant women must contain nutrients as needed, so as to support optimal growth and can prevent malnutrition in pregnant women and also help prevent the occurrence of diseases that can interfere with pregnant women. Determination of good nutrition and malnutrition in pregnant women in the sub-district of Datuk Bandar Timur District, Tanjung Balai City must meet the criteria are age, graphida, body weight, lila, hemoglobin and decision. For pregnant women with normal body weight <25 kg, increased energy intake is needed only after pregnancy to increase the metabolic needs of the mother and the energy needs of the growing fetus. The purpose of this study was to determine good nutrition and malnutrition using the Naïve Bayes method which resulted in a decision on good nutrition and malnutrition in pregnant women. Naive Bayes is a simple probabilistic classifier that calculates a set of probabilities by summing the frequencies and combinations of values from a given dataset. Naïve Bayes produces a Precision value for the positive class of 85%, for the negative class of 86%, the recall value for the positive class is 92%, for the negative class is 75%, the f1-score value for the positive class is 88%, for the negative class is 80%, and 85% for accuracy.

 

Keywords: Machine Learning, Naïve Bayes; Nutritional Status.

 

 

Abstract: Gizi merupakan salah satu penentu kualitas sumber daya manusia. Makanan yang diberikan pada ibu hamil harus mengandung zat gizi sesuai kebutuhan, sehingga menunjang pertumbuhan yang optimal dan dapat mencegah kurang gizi pada ibu hamil dan juga membantu mencegah timbulnya penyakit-penyakit yang dapat mengganggu ibu hamil. Penentuan gizi baik dan gizi buruk pada ibu hamil di Kelurahan Bunga Tanjung Kecamatan Datuk Bandar Timur, Kota Tanjung Balai harus memenuhi kriteria yaitu umur, grapida, berat badan, lila, hemoglobin dan keputusan. Untuk ibu hamil dengan berat badan  normal <25  kg, peningkatan  asupan  energi diperlukan  hanya  setelah kehamilan  untuk meningkatkan  kebutuhan  metabolisme yang  dibutuhkan ibu  dan kebutuhan  energi janin yang  sedang  tumbuh. Tujuan penelitian ini untuk penentuan gizi baik dan gizi buruk dengan menggunakan metode naïve bayes yang menghasilkan sebuah keputusan gizi baik dan gizi buruk pada ibu hamil. Naive  Bayes  merupakan  sebuah  pengklasifikasian  probabilistik  sederhana  yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Naïve Bayes menghasilkan nilai Precision untuk kelas positif 85%, untuk kelas negatif 86%, nilai recall untuk kelas positif 92%, untuk kelas negatif 75%, nilai f1-score untuk kelas positif 88%, untuk kelas negatif sebesar 80%, dan nilai akurasi 85%.

 

Kata Kunci: Machine Learning; Naïve Bayes; Status Gizi.


Full Text:

PDF

References


I. G. Pratiwi and Y. F. Hamidiyanti, “Gizi dalam Kehamilan : Studi Literatur,” J. Gizi Prima (Prime Nutr. Journal), vol. 5, no. 1, p. 20, 2020, doi: 10.32807/jgp.v5i1.171.

A. Ernawati, “Masalah Gizi Pada Ibu Hamil,” J. Litbang Media Inf. Penelitian, Pengemb. dan IPTEK, vol. 13, no. 1, pp. 60–69, 2017, doi: 10.33658/jl.v13i1.93.

Y. Purwaningrum, “ISSN : 2354-5852 e-ISSN : 2579-5783 Pengetahuan Ibu Hamil tentang Gizi dengan Kejadian Anemia Selama Kehamilan,” vol. 5, no. 2, pp. 88–93, 2017.

C. Oganis, S. Musdalifah, and D. Lusiyanti, “Klasifikasi Status Gizi Ibu Hamil Untuk Mengidentifikasi Bayi Berat Lahir Rendah (Bblr) Menggunakan Metode Support Vector Machine (Svm) (Studi Kasus Di Puskesmas Labuan),” J. Ilm. Mat. Dan Terap., vol. 14, no. 2, pp. 144–151, 2017, doi: 10.22487/2540766x.2017.v14.i2.9017.

S. Vol, “6F8543E663319F69E222726Dfb046469,” vol. 01, no. 12, 2017.

A. Saleh, “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga,” Creat. Inf. Technol. J., vol. 2, no. 3, pp. 207–217, 2015.

N. Nuraeni, “Penentuan Kelayakan Kredit Dengan Algoritma Naïve Bayes Classifier: Studi Kasus Bank Mayapada Mitra Usaha Cabang PGC,” J. Tek. Komput., vol. 3, no. 1, pp. 9–15, 2017, [Online]. Available: https://ejournal.bsi.ac.id/ejurnal/index.php/jtk/article/view/1337

R. Rachman and R. N. Handayani, “Klasifikasi Algoritma Naive Bayes Dalam Memprediksi Tingkat Kelancaran Pembayaran Sewa Teras UMKM,” J. Inform., vol. 8, no. 2, pp. 111–122, 2021, doi: 10.31294/ji.v8i2.10494.

I. D. Id, “MACHINE LEARNING: Teori, Studi Kasus dan Implementasi Menggunakan Python,” منشورات جامعة دمشق, vol. 1999, no. December, pp. 1–6, 2006, doi: 10.5281/zenodo.5113507.

Y. Heryadi, “Machine Learning: Konsep dan Implementasi,” no. August, 2020.

R. N. Hidayanti, S. Riyanto, and A. Rahma, “Hubungan Pengetahuan Ibu Tentang Infeksi Kecacingan dengan Status Gizi Balita di Wilayah Kerja Puskesmas Gambut Kabupaten Banjar Tahun 2015,” Jurkessia, vol. 6, no. 1, pp. 26–31, 2015.

Q. Hasanah, A. Andrianto, and M. A. Hidayat, “Sistem Informasi Posyandu Ibu Hamil dengan Penerapan Klasifikasi Resiko Kehamilan Menggunakan Metode Naïve Bayes (Implementing Classification Risk in Posyandu System Information for Pregnant Using Naïve Bayes Method),” pp. 1–9, 2018.

D. Waru and R. Wahyuning Astuti, “Implementasi Metode Naïve Bayes Untuk Prediksi Daerah Terjangkit Demam Berdarah Dengue Di Provinsi Jambi,” J. Tek. Inform. Kaputama, vol. 5, no. 2, pp. 240–245, 2021.

Bustami, “Penerapan Algoritma Naive Bayes,” J. Inform., vol. 8, no. 1, pp. 884–898, 2014.

P. Strajhar et al., “No 主観的健康感を中心とした在宅高齢者における 健康関連指標に関する共分散構造分析Title,” Nat. Methods, vol. 7, no. 6, p. 2016, 2016, [Online]. Available: http://www.ncbi.nlm.nih.gov/pubmed/26849997%0Ahttp://doi.wiley.com/10.1111/jne.12374




DOI: https://doi.org/10.33330/jutsi.v3i1.2064

Article Metrics

Abstract view : 326 times
PDF - 259 times

Refbacks

  • There are currently no refbacks.


Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK ROYAL 


Copyright © LPPM STMIK ROYAL

Lisensi Creative Commons

Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.