Analisis Komparasi Algoritma KNN dan SVM untuk Klasifikasi Status Stunting pada Balita Menggunakan Data Antropometri Puskesmas

Manuel, Reynald (2026) Analisis Komparasi Algoritma KNN dan SVM untuk Klasifikasi Status Stunting pada Balita Menggunakan Data Antropometri Puskesmas. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (629kB)
	PDF BAB_I.pdf Download (313kB)
	PDF BAB_II.pdf Download (615kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (445kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (175kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (250kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000071243_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Stunting merupakan permasalahan gizi kronis pada balita yang memerlukan pemantauan melalui data antropometri. Namun, proses pencatatan data dari Posyandu ke Puskesmas dapat menimbulkan masalah kualitas data, seperti nilai kosong, kesalahan input, duplikasi data, nilai tidak wajar, dan ketidaksesuaian status gizi. Penelitian ini bertujuan membandingkan performa algoritma K-Nearest Neighbor dan Support Vector Machine dalam klasifikasi status stunting balita menggunakan data antropometri balita dari kegiatan Posyandu di wilayah kerja Puskesmas Pagedangan. Penelitian ini menggunakan framework Cross-Industry Standard Process for Data Mining yang terdiri dari business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Dataset awal berjumlah 4.243 data balita periode Januari 2026, kemudian setelah proses cleaning menjadi 3.511 data yang digunakan dalam pemodelan. Fitur input meliputi umur, jenis kelamin, berat badan, dan tinggi atau panjang badan, sedangkan label target diperoleh dari status TB/U pada dataset. Hasil evaluasi menunjukkan bahwa SVM baseline dengan kernel RBF, C = 100, dan gamma = scale memperoleh performa terbaik di antara model yang diuji, dengan accuracy 0,9900, precision macro 0,5971, recall macro 0,5000, dan F1 macro 0,5370. Meskipun demikian, model masih memiliki keterbatasan dalam mengenali kelas minoritas, terutama severely stunted. Model didemonstrasikan melalui prototipe website berbasis Flask sebagai alat bantu klasifikasi awal, bukan sistem diagnosis medis.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Manuel, Reynald (00000071243)
Contributors:	Indah Fianty, Melissa
Keywords:	Antropometri, CRISP-DM, KNN, Stunting, SVM
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	24 Jul 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/48024

Actions (login required)

View Item