Sebanyak 1 item atau buku ditemukan

MONOGRAF ANALISIS KOMPARATIF MACHINE LEARNING UNTUK KLASIFIKASI KEJADIAN STUNTING

Latar Belakang Penggunaan pembelajaran mesin sangat dibutuhkan oleh para ahli kesehatan sebagai pengolahan data dan informasi agar lebih mudah dianalisis secara otomatis sehingga menghasilkan akurasi dalam menyelesaikan masalah, penerapan Machine Learning dengan algoritma 3 komparatif untuk menyelesaikan masalah stunting karena balita di Indonesia masih tinggi, terutama pada usia 2 -3 tahun. Terlihat dari sejumlah faktor yang berisiko menyebabkan stunting. Instrumen diperlukan dalam Pembelajaran Mesin. Tujuannya (1). Selain memberikan pengetahuan di bidang Informatika, hal ini juga berguna bagi para pakar kesehatan dalam mengelola data dalam mengambil keputusan sehingga memudahkan serta analisis secara otomatis. (2) Dapat mengurangi dampak pada kejadian stunting. Metode Perbandingan tiga algoritma dalam klasifikasi hasil dari tiga algoritma yang dibandingkan menghasilkan akurasi 87.91% AUC 0,907 untuk algoritma Decision Tree dengan tingkat diagnosis excellent classification, dari Algoritma KNN dan Algoritma Naïve Bayes yang menggunakan 13 variabel data.

Kebutuhan energy anak-anak ditemtukan oleh metabolism individu basal tingkat,
pola aktivitas dan tingkat pertumbuhan.(Sandjojo, 2017) Jika dilihat dari umur
balita, ternyata kejadian stunting banyak terdapat pada usia 12 hingga 59 tahun.