🔥 Selamat datang di Parker Casino — Jelajahi tren terbaru tentang cryptocurrency-casino!
IMPLEMENTASI ALGORITMA NAIVE BAYES UNTUK PROGRAM CEGAH STUNTING (STUDI KASUS: PUSKESMAS BOJONGSARI DEPOK)
Penulis: Asha Riska Amalia (Universitas Pamulang), Meidy Fajar Wahyu (Universitas Pamulang)
DOI: 10.51903/informatika.v5i2.1378
Abstrak
Stunting pada balita masih menjadi tantangan kesehatan masyarakat utama di Indonesia karena dampak jangka panjangnya terhadap pertumbuhan dan kualitas hidup anak. Deteksi manual melalui posyandu seringkali membutuhkan waktu yang cukup lama, rentan terhadap kesalahan, dan kurangnya alat praktis yang dapat digunakan secara mandiri oleh masyarakat. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis algoritma Naïve Bayes guna mendukung deteksi dini risiko stunting pada balita di Puskesmas Bojongsari, Depok. Penelitian menggunakan pendekatan deskriptif kuantitatif dengan metode CRISP-DM, meliputi pengumpulan data anak usia 0–59 bulan melalui observasi, wawancara, dan dokumentasi, dilanjutkan dengan pembersihan data, pemodelan dengan Naïve Bayes, dan evaluasi berdasarkan akurasi. Hasil penelitian menunjukkan bahwa aplikasi berhasil mengklasifikasikan status gizi balita ke dalam kategori normal atau stunting dengan akurasi yang baik, serta menyediakan antarmuka yang sederhana dan mudah digunakan secara mandiri. Kesimpulan penelitian ini adalah bahwa implementasi algoritma Naïve Bayes efektif dalam mempercepat deteksi risiko stunting dan meningkatkan partisipasi masyarakat dalam upaya pencegahan, yang pada akhirnya berkontribusi pada layanan kesehatan yang lebih efisien dan penurunan prevalensi stunting.
Kata Kunci
Aplikasi, Naive Bayes, Stunting, Klasifikasi, Gizi
Referensi
- [1] BKPK, “SSGI 2024: Prevalensi Stunting Nasional Turun menjadi 19,8%,” 27 Mei 2025.
- [2] M. R. Nugroho, R. N. Sasongko, dan M. Kristiawan, “Faktor-faktor yang Mempengaruhi Kejadian Stunting pada Anak Usia Dini di Indonesia,” Jurnal Obsesi: Jurnal Pendidikan Anak Usia Dini, vol. 5, no. 2, pp. 2145–2154, 2021. DOI: 10.31004/obsesi.v5i2.1169
- [3] T. Hardiani dan R. N. Putri, “Implementasi Metode Naïve Bayes Classifier Untuk Klasifikasi Stunting Pada Balita,” Digital Transformation Technology, vol. 4, no. 1, pp. 621–627, 2024. DOI: 10.47709/digitech.v4i1.4481
- [4] N. Fuad, M. Kom, M. H. Wahyudi, dan S. Kom, “Implementasi Algoritma Naive Bayes untuk CETING (Cegah Stunting) di Puskesmas Peneleh Surabaya,” International Journal of Computer and Information System (IJCIS), vol. 5, no. 2, pp. 26–32, 2024. DOI: 10.29040/ijcis.v5i2.843
- [5] Y. Aprillia, Z. Alawi, dan I. A. Sa’Ida, “Implementasi Algoritma Naive Bayes Dengan Feature Selection Backward Elimination Dalam Pengklasifikasian Status Penderita Stunting Pada Balita,” Jurnal Ilmiah Informatika, vol. 9, no. 1, pp. 60–67, 2024. DOI: 10.33884/jif.v9i1.4560
- [6] M. Y. Titimeidara dan W. Hadikurniawati, “Implementasi Metode Naïve Bayes Classifier Untuk Klasifikasi Status Gizi Stunting Pada Balita,” Jurnal Ilmiah Informatika, vol. 9, no. 01, pp. 54–59, 2021. DOI: 10.33884/jif.v9i01.3741
- [7] D. Maulina, “Metode Certainty Factor Dalam Penerapan Sistem Pakar Diagnosa Penyakit Anak,” Journal of Information System Management (JOISM), vol. 2, no. 1, pp. 23–32, 2020.
- [8] A. A. WPR, F. Rozi, dan F. Sukmana, “Prediksi Penjualan Produk Unilever Menggunakan Metode K-Nearest Neighbor,” JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), vol. 6, no. 1, pp. 155–160, 2021.
- [9] N. D. Yanti, F. Betriana, dan I. R. Kartika, “Faktor Penyebab Stunting Pada Anak: Tinjauan Literatur,” REAL in Nursing Journal, vol. 3, no. 1, pp. 1–10, 2020. DOI: 10.32883/rnj.v3i1.447
Kasino
Olahraga
jdb777-casino-login