UMN Knowledge Center

Analisis dan Perbandingan Metode Data Mining untuk Identifikasi Undernutrition dan Overnutrition pada Penderita Obesitas

Michelle Mulyono, Tamara (2019) Analisis dan Perbandingan Metode Data Mining untuk Identifikasi Undernutrition dan Overnutrition pada Penderita Obesitas. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img] Text
BAB_IV.pdf
Restricted to Registered users only
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB)
[img]
Preview
Text
DAFTAR_PUSTAKA.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (890kB) | Preview
[img]
Preview
Text
BAB_V.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (813kB) | Preview
[img]
Preview
Text
LAMPIRAN.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (3MB) | Preview
[img]
Preview
Text
BAB_I.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (895kB) | Preview
[img]
Preview
Text
HALAMAN_AWAL.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB) | Preview
[img]
Preview
Text
BAB_II.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (1MB) | Preview
[img]
Preview
Text
BAB_III.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.

Download (922kB) | Preview

Abstract

Masalah gizi di Indonesia saat ini memasuki masalah gizi ganda (Double Burden Nutrition). Masalah gizi kurang masih belum teratasi sepenuhnya, sementara gizi lebih juga menjadi masalah. Underweight (berat badan kurang), overweight (berat badan lebih) dan obesitas termasuk dalam sepuluh risiko dalam hal beban penyakit global. WHO tahun 2015 menunjukan bahwa populasi dewasa di dunia mengalami kelebihan berat badan (overweight), dengan persentase 38% pria dan 40% wanita. Penelitian ini ditujukan untuk mendeteksi overnutrition, undernutrition pada penderita obesitas untuk mengetahui status gizi mereka dengan Metode Food Recall 24 jam untuk penilaian konsumsi nya dan menggunakan algoritma data mining yaitu: K-Nearest Neighbor, Naive Bayesian Classification, dan Decision Tree untuk perhitungan data mining nya. Dari hasil yang didapat dengan bantuan dari tools RapidMiner, dapat disimpulkan bahwa tidak semua penderita obesitas hanya memiliki status gizi overnutition, penderita juga dapat mengalami undernutrition atau normal. Dari hasil penelitian ini, akurasi terbaik untuk menghitung status gizi adalah menggunakan algoritma Naive Bayesian Classification dengan tingkat akurasi sebesar 100%, lalu Decision Tree dengan tingkat akurasi sebesar 86.67% dan yang terakhir adalah K-Nearest Neighbor dengan tingat akurasi sebesar 73.33%.

Item Type: Thesis (Bachelor Thesis)
Uncontrolled Keywords: Nutrition Status, K-Nearest Neighbor, Naive Bayesian Classification, Decision Tree
Subjects: T Technology > T Technology (General) > T55 Industrial engineering. Management engineering > T70 Information System
Divisions: Fakultas Teknik Informatika > Program Studi Sistem Informasi
SWORD Depositor: mr admin umn
Depositing User: mr admin umn
Date Deposited: 04 Dec 2019 09:29
Last Modified: 05 Mar 2020 03:40
URI: http://kc.umn.ac.id/id/eprint/10143

Actions (login required)

View Item View Item