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.

	Text HALAMAN_AWAL.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
Preview	Text DAFTAR_PUSTAKA.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (890kB) | Preview
Preview	Text BAB_I.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (895kB) | Preview
Preview	Text BAB_II.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB) | Preview
Preview	Text BAB_III.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (922kB) | Preview
	Text BAB_IV.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (1MB)
Preview	Text BAB_V.pdf Available under License Creative Commons Attribution Non-commercial Share Alike. Download (813kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Available under License Creative Commons Attribution Non-commercial Share Alike. Download (3MB)

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)
Keywords:	Nutrition Status, K-Nearest Neighbor, Naive Bayesian Classification, Decision Tree
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 006 Special Computer Methods > 006.3 Artificial Intelligence, Machine Learning, Pattern Recognition, Data Mining 600 Technology (Applied Sciences) > 650 Management and Public Relations > 658 General management (Risk Management, Profit and Loss, Logistics) > 658.3 Personnel, Staff, Employee, Human Resource Management, Training > 658.306 Job Analysis
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	04 Dec 2019 09:29
Last Modified:	03 Aug 2023 05:41
URI:	https://kc.umn.ac.id/id/eprint/10143

Actions (login required)

View Item