Penerapan Algoritma Naïve Bayes dan Aplikasi RadipMiner  Untuk Penentuan Status Gizi Balita

Jon Idrison Molina

doi:10.30606/rjti.v4i1.3261

Authors

Jon Idrison Molina Universitas Tribuana Kalabahi

DOI:

https://doi.org/10.30606/rjti.v4i1.3261

Keywords:

Implementation, Naive Bayes, Status, Nutrition, Toddlers

Abstract

Determining the nutritional status of toddlers is an important activity carried out by medical personnel at the health center as technical implementers. Because with the results of determining the nutritional status, intervention efforts to overcome the condition of toddlers who are in a status other than good nutrition can be overcome as early as possible. However, medical personnel often have difficulty in determining the nutritional status of toddlers due to limited human resources and equipment, so it is important to have a method used to determine the nutritional status of children under five years old quickly and accurately. For this reason, in this study we used the naïve Bayes algorithm in calculating the classification of determining the nutritional status of toddlers. The results of the study showed that the naïve Bayes algorithm can increase the level of data accuracy in determining the nutritional status of toddlers with a data accuracy value of 70.33%.

Downloads

References

S. D. Nugraha, R. R. M. Putri, and R. C. Wihandika, “Penerapan Fuzzy K-Nearest Neighbor (FK-NN) Dalam Menentukan Status Gizi Balita,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 9, pp. 925–932, 2017.

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

J. Bimbingan and K. Indonesia, “EVALUASI PROGRAM BIMBINGAN DAN KONSELING : SEBUAH STUDI PUSTAKA,” vol. 4, no. September, pp. 39–42, 2019.

F. Nasari, S. Darma, and S. Informasi, “PENERAPAN K-MEANS CLUSTERING PADA DATA PENERIMAAN MAHASISWA BARU,” pp. 6–8, 2015.

U. Suriani, “Penerapan Data Mining untuk Memprediksi Tingkat Kelulusan Mahasiswa Menggunakan Algoritma,” vol. 3, no. 2, pp. 55–66, 2023.

R. Rachman and R. N. Handayani, “Klasifikasi Algoritma Naive Bayes Dalam Memprediksi Tingkat Kelancaran Pembayaran Sewa Teras UMKM,” vol. 8, no. 2, pp. 111–122, 2021.

Ilham, W., Putra, N., Putri, T. E., Kurniawan, E., & Molina, J. I. (2025). ANALISIS SISTEM FORECASTING PADA PRODUKSI DAN PERMINTAAN TELUR IMPLEMENTASI METODE LEAST SQUARE. JATI (Jurnal Mahasiswa Teknik Informatika), 9(1), 1392-1398.

Molina, J. I., & Malese, L. P. (2024). SISTEM PENDUKUNG KEPUTUSAN PENENTUAN STATUS GIZI BALITA PADA DINAS KESEHATAN KABUPATEN ALOR MENGGUNAKAN ALGORITMA C4. 5. Jurnal Teknologi Informasi dan Komunikasi, 17(1), 1-13.

Tanggraeni, A. I., & Sitokdana, M. N. (2022). Analisis Sentimen Aplikasi E-Government pada Google Play Menggunakan Algoritma Naïve Bayes. JATISI (Jurnal Teknik Informatika dan Sistem Informasi), 9(2), 785-795.

Prasetyo, S. D., Hilabi, S. S., & Nurapriani, F. (2023). Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN. Jurnal KomtekInfo, 1-7.

Septianingrum, F., & Irawan, A. S. Y. (2021). Metode Seleksi Fitur Untuk Klasifikasi Sentimen Menggunakan Algoritma Naive Bayes: Sebuah Literature Review. Jurnal Media Informatika Budidarma, 5(3), 799.

Lestari, S., & Saepudin, S. (2021, September). Analisis sentimen vaksin sinovac pada twitter menggunakan algoritma Naive Bayes. In Prosiding Seminar Nasional Sistem Informasi dan Manajemen Informatika Universitas Nusa Putra (Vol. 1, pp. 163-170).

Widodo, Y. B., Anggraeini, S. A., & Sutabri, T. (2021). Perancangan Sistem Pakar Diagnosis Penyakit Diabetes Berbasis Web Menggunakan Algoritma Naive Bayes. J. Teknol. Inform. dan Komput, 7(1), 112-123.