Penerapan algoritma naïve bayes pada klasifikasi penerimaan PMT balita di Posyandu Desa Krengih

Authors

  • Rizdania Universitas PGRI Wiranegara
  • Puji Utami Rakhmawati Universitas PGRI Wiranegara
  • Muhammad Nofa Ayubi Universitas PGRI Wiranegara
  • Niswatun Khasanah Nasiruddin Universitas PGRI Wiranegara
  • Kusmiyati Universitas PGRI Wiranegara
  • Endah Septa Sintya Politeknik Negeri Malang
  • Ashri Sabrina Afrah Universitas Islam Negeri Maulana Malik Ibrahim Malang

DOI:

https://doi.org/10.54199/pjse.v5i1.411

Keywords:

PMT, Data Mining, Naive Bayes, Klasifikasi, gizi buruk

Abstract

Saat ini di Posyandu desa Krengih tidak ada kebijakan khusus terkait sasaran penerimaan PMT (Pemberian Makanan Tambahan) untuk para balita. Pemberian ini menyebabkan perencanaan terhadap pemberian makanan tambahan tidak mencukupi target untuk keseluruhan balita-balita. Algoritma Naïve Bayes dilakukan untuk menguji data yang tidak pasti sehingga sesuai dengan transaksi ketidakpastian pada data posyandu. Metode ini hanya membutuhkan jumlah data pelatihan yang kecil untuk menentukan estimasi paremeter yang diperlukan dalam proses pengklasifikasian. Berdasarkan hasil Riset Kesehatan Dasar (RISKESDAS) dengan indicator BB/U, dapat dilihat bahwa pravelensi gizi kurang-buruk secara nasional menunjukkan tren perubahan. Pada tahun 2007, pravelensi tersebut sebesar 18,8%, kemudian mengalami sedikit penurunan pada tahun 2010 menjadi 17,9%. Namun pada tahun 2013 terjadi peningkatan pravelensi gizi buruk kurang menjadi 19,6% dengan rincian 5,7% untuk gizi buruk dan 13,9 untuk gizi kurang. Perubahan ini mencerminkan dinamika dalam status gizi penduduk Indonesia selama periode tersebut.

References

[1] A. F. Watratan, A. P. B, and D. Moeis, “View of Implementasi Algoritma Naive Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia.pdf,” J. Appl. Comput. Sci. Technol., vol. 1, no. 1, pp. 7–14, 2020, doi: https://doi.org/10.52158/jacost.v1i1.9.

[2] A. Widiastuti and S. P. Winarso, “Program Pmt Dan Grafik Pertumbuhan Balita Pada Masa Pandemi Covid,” J. Sains Kebidanan, vol. 3, no. 1, pp. 30–35, 2021, doi: 10.31983/jsk.v3i1.6890.

[3] B. Verawati and N. Yanto, “SUBSTITUSI TEPUNG TERIGU DENGAN TEPUNG BIJI DURIAN PADA BISKUIT SEBAGAI MAKANAN TAMBAHAN BALITA UNDERWEIGHT
[Substitution of Wheat Flour with Durian Seed Flour in Biscuits as a Food Supplement of Under Five Children with Underweight],” Media Gizi Indones., vol. 14, no. 1, p. 106, 2019, doi: 10.20473/mgi.v14i1.106-114.

[4] C. Christina et al., “Pola Asuh Orangtua Dan Kurangnya Gizi Anak Penyebab Stunting Di Desa Karangduwur, Kalikajar, Wonosobo,” J. Pengabdi. Masy. Madani, vol. 2, no. 2, pp. 188–195, 2022, doi: 10.51805/jpmm.v2i2.88.

[5] R. Ismawati and G. Anjar Sasmita Rustamaji, “Daya Terima dan Kandungan Gizi Biskuit Daun Kelor Sebagai Alternatif Makanan Selingan Balita Stunting,” J. Gizi Univ. Negeri Surabaya, vol. 1, no. 1, pp. 31–37, 2021, [Online]. Available: https://ejournal.unesa.ac.id/index.php/GIZIUNESA/article/view/41287

[6] Harliana and D. Anggraini, “Penerapan Algoritma Naïve Bayes Pada Klasifikasi Status Gizi Balita di Posyandu Desa Kalitengah,” J. Inform. Komputer, Bisnis dan Manaj., vol. 21, no. 2, pp. 38–45, 2023, doi: 10.61805/fahma.v21i2.16.

[7] R. A. Saputra and S. Ayuningtias, “Penerapan Algoritma Naive Bayes Untuk Penentuan Calon Penerima Beasiswa Pada Smk Pasim Plus Sukabumi,” Swabumi, vol. IV, no. 2, pp. 114–120, 2016.

[8] F. A. Harimurti and E. Riksakomara, “Klasifikasi Penerimaan Beasiswa Menggunakan Metode Naïve Bayes Classifier (Studi Kasus Universitas Trunojoyo Madura),” 2017.

[9] D. Alita, S. Priyanta, and N. Rokhman, “Analysis of Emoticon and Sarcasm Effect on Sentiment Analysis of Indonesian Language on Twitter,” J. Inf. Syst. Eng. Bus. Intell., vol. 5, no. 2, p. 100, 2019, doi: 10.20473/jisebi.5.2.100-109.

Published

2025-02-10

Issue

Section

Artikel