Klasifikasi Status Gizi Balita Menggunakan Algoritma Support Vector Machine dengan Optimasi Grid Search Cross-Validation
DOI:
https://doi.org/10.46880/jmika.Vol8No2.pp250-257Keywords:
Toddlers, Classification, Support Vector Machine, Grid Search Cross-ValidationAbstract
Toddlers are children aged 0 to 59 months who experience rapid growth and development and require a higher intake of nutrients. This study aims to classify the nutritional status of toddlers using the Support Vector Machine (SVM) algorithm with Grid Search optimization. The quality of a toddler's nutrition significantly affects their growth and development, and malnutrition is a major issue in Indonesia. Data were obtained from Posyandu Desa Jagalempeni, comprising a total of 512 toddler data entries. After undergoing pre-processing and feature engineering, the data were classified using SVM. The initial results showed an accuracy of 80%. Following the application of Grid Search optimization with the Radial Basis Function (RBF) kernel, accuracy increased to 86.17%. These results indicate that Grid Search is effective in optimizing SVM model parameters and improving classification performance.
References
Aina, L. N., Nastiti, V. R. S., & Aditya, C. S. K. (2024). Implementasi Extra Trees Classifier dengan Optimasi Grid Search CV pada Prediksi Tingkat Adaptasi. MIND (Multimedia Artificial Intelligent Networking Database) Journal, 9(1), 78–88.
Andriyani, S. Y., Lydia, M. S., & Efendi, S. (2023). Optimization of Support Vector Machine Algorithm Using Stunting Data Classification. Prisma Sains : Jurnal Pengkajian Ilmu Dan Pembelajaran Matematika Dan IPA IKIP Mataram, 11(1), 164. https://doi.org/10.33394/j-ps.v11i1.6619
Arta, I. K. J., Indrawan, G., & Dantes, G. R. (2019). Data Mining Rekomendasi Calon Mahasiswa Berprestasi Di Stmik Denpasar Menggunakan Metode Technique for Others Reference By Similarity To Ideal Solution. Jurnal Ilmu Komputer Indonesia (JIKI), 4(1), 11–21. https://doi.org/10.23887/jstundiksha.v5i2.8549
Awalullaili, F. O., Ispriyanti, D., & Widiharih, T. (2023). Klasifikasi Penyakit Hipertensi Menggunakan Metode Svm Grid Search Dan Svm Genetic Algorithm (Ga). Jurnal Gaussian, 11(4), 488–498. https://doi.org/10.14710/j.gauss.11.4.488-498
Darmawan, E. M. Z., & Dianta, A. F. (2023). Implementasi Optimasi Hyperparameter GridSearchCV Pada Sistem Prediksi Serangan Jantung Menggunakan SVM. Teknologi: Jurnal Ilmiah Sistem Informasi, 13(1), 8–15.
Fajri, M., & Primajaya, A. (2023). Komparasi Teknik Hyperparameter Optimization pada SVM untuk Permasalahan Klasifikasi dengan Menggunakan Grid Search dan Random Search. Journal of Applied Informatics and Computing, 7(1), 14–19. https://doi.org/10.30871/jaic.v7i1.5004
Fatmawati, & Rifai, N. A. K. (2023). Klasifikasi Penyakit Diabetes Retinopati Menggunakan Support Vector Machine dengan Algoritma Grid Search Cross-validation. Jurnal Riset Statistika, 79–86. https://doi.org/10.29313/jrs.v3i1.1945
Fatonah, N. S., & Pancarani, T. K. (2022). Analisa Perbandingan Algoritma Clustering Untuk Pemetaan Status Gizi Balita Di Puskesmas Pasir Jaya. Konvergensi, 18(1), 1–9. https://doi.org/10.30996/konv.v18i1.5497
Iriananda, S. W., Budiawan, R. W., & Rahman, A. Y. (2024). Optimasi Klasifikasi Sentimen Komentar Pengguna Game Bergerak Menggunakan SVM, Grid Search Dan Kombinasi N-Gram. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 11(4). https://doi.org/10.25126/jtiik.1148244
Islam, H. I., Mulyadien, M. K., & Enri, U. (2022). Penerapan Algoritma C4. 5 dalam Klasifikasi Status Gizi Balita. Jurnal Ilmiah Wahana Pendidikan, 8(10), 116–125.
Kementerian Kesehatan. (2017). Status Gizi Balita dan Interaksinya. Sehatnegeriku.Kemkes.Go.Id.
Kementerian Kesehatan. (2020). Peraturan Mentri Kesehatan Republik Indonesia Nomor 2 Tahun 2020 Tentang Standar Antropometri Anak. In Satukan Tekad Menuju Indonesia Sehat. Kementrian Kesehatan Republik Indonesia.
Kementerian Kesehatan. (2023). Prevalensi Stunting di Indonesia Turun ke 21,6% dari 24,4%. Sehatnegeriku.Kemkes.Go.Id. https://sehatnegeriku.kemkes.go.id/
Marketbrew. (2024). How Particle Swarm Optimization Works: A Step-by-Step Guide. Marketbrew.Ai.
Misriati, T., & Aryanti, R. (2024). Optimalisasi Random Forest dan Support Vector Machine dengan Hyperparameter GridSearchCV untuk Analisis Sentimen Ulasan PrimaKu. 5(4), 1333–1341. https://doi.org/10.47065/josh.v5i4.5347
Praghakusma, A. Z., & Charibaldi, N. (2021). Komparasi Fungsi Kernel Metode Support Vector Machine untuk Analisis Sentimen Instagram dan Twitter (Studi Kasus : Komisi Pemberantasan Korupsi). JSTIE (Jurnal Sarjana Teknik Informatika) (E-Journal), 9(2), 88. https://doi.org/10.12928/jstie.v9i2.20181
Pramudhyta, N. A., & Rohman, M. S. (2024). Perbandingan Optimasi Metode Grid Search dan Random Search dalam Algoritma XGBoost untuk Klasifikasi Stunting. Jurnal Media Informatika Budidarma , 8(1), 19–29. https://doi.org/10.30865/mib.v8i1.6965
Sumantri, R. B. B., & Utami, E. (2020). Penentuan Status Tahapan Keluarga Sejahtera Kecamatan Sidareja Menggunakan Teknik Data Mining. Respati, 15(3), 71. https://doi.org/10.35842/jtir.v15i3.375
Vizianti, L. (2022). Peran Dan Fungsi Pos Pelayanan Terpadu (Posyandu) Dalam Pencegahan Stunting Di Kota Medan. Universitas Dharmawangsa, 16(3), 563–580.
Widaningsih, S. (2019). Perbandingan Metode Data Mining Untuk Prediksi Nilai Dan Waktu Kelulusan Mahasiswa Prodi Teknik Informatika Dengan Algoritma C4,5, Naïve Bayes, Knn Dan Svm. Jurnal Tekno Insentif, 13(1), 16–25. https://doi.org/10.36787/jti.v13i1.78
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Azkiyatun Nadroh, Deny Nugroho Triwibowo, R. Bagus Bambang Sumantri
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
