Klasifikasi Status Stunting Balita Tegal Menggunakan Teknik Smote Pada Metode Naives Bayes Gaussain

Sigit Januarto; Aang Alim  Murtopo; Zaenul Arif

doi:10.31004/riggs.v4i3.2349

Authors

Sigit Januarto STMIK YMI TEGAL
Aang Alim Murtopo STMIK YMI TEGAL
Zaenul Arif STMIK YMI TEGAL

DOI:

https://doi.org/10.31004/riggs.v4i3.2349

Keywords:

Klasifikasi, Machine Learning, Naive Bayes Gaussian, Stunting, SMOTE

Abstract

Stunting merupakan salah satu masalah kesehatan serius yang memengaruhi tumbuh kembang anak, terutama pada 1.000 Hari Pertama Kehidupan. Kota Tegal termasuk wilayah dengan prevalensi stunting yang cukup tinggi, sehingga diperlukan metode prediksi yang akurat untuk mendukung intervensi gizi tepat sasaran. Penelitian ini menggunakan metode Naive Bayes Gaussian untuk mengklasifikasikan status stunting balita berdasarkan data antropometri. Permasalahan ketidakseimbangan kelas pada dataset diatasi dengan teknik oversampling Synthetic Minority Over-sampling Technique (SMOTE) guna meningkatkan kemampuan model dalam mengenali kelas minoritas. Hasil pengujian menunjukkan bahwa model sebelum penerapan SMOTE memiliki akurasi rata-rata 91,58%. Setelah penerapan SMOTE, akurasi validasi silang meningkat menjadi rata-rata 96,28% dengan presisi 94,03%, recall 91,58%, dan F1-score 92,12%. Peningkatan ini membuktikan bahwa kombinasi Naive Bayes Gaussian dan SMOTE efektif untuk prediksi status stunting. Model yang dihasilkan berpotensi diimplementasikan sebagai sistem pendukung keputusan dalam deteksi dini dan pencegahan stunting di wilayah rawan

Downloads

Download data is not yet available.

References

U. A. Rachmawati et al., “SiCenting+: An Information System for Monitoring the Stunted Growth and Nutritional Status of Children in Pandeglang Regency,” in 2022 Second International Conference on Advanced Technologies in Intelligent Control, Environment, Computing & Communication Engineering (ICATIECE), 2022, pp. 1–6. doi: 10.1109/ICATIECE56365.2022.10046915.

A. Ali, “Brain and Stunting: Integrative Clinical and Community Stunting Prevention Perspectives in Disorders of Brain Development,” Int. J. Pap. Public Rev., vol. 4, no. 1, pp. 60–69, 2023, doi: 10.47667/ijppr.v4i1.216.

R. Maulina, M. B. Qomaruddin, B. Prasetyo, R. Indawati, and R. Alfitri, “The Effect of Stunting on the Cognitive Development in Children: A Systematic Review and Meta-analysis,” Stud. Ethno-Medicine, vol. 17, no. 1–2, pp. 19–27, 2023, doi: 10.31901/24566772.2023/17.1-2.661.

A. Kustanto, O. Rachmat, and S. Setyadi, “The Prevalence of Stunting in Indonesia: An Examination of the Health, Socioeconomic Status, and Environmental Determinants,” J. Iran. Med. Counc., vol. 8, no. 1, pp. 67–79, 2025, doi: 10.18502/jimc.v8i1.17062.

V. Y. Lameky, “Stunting in Indonesia: Current progress and future directions,” J. Healthc. Adm., vol. 3, no. 1, pp. 82–90, 2024, doi: 10.33546/joha.3388.

M. Rosyida and N. R. Herawati, “The Analysis of Stunting Implementation Policy in Tegal Regency,” vol. 1, no. 5, pp. 1–6, 2024.

A. M. A. Rahim, I. Y. R. Pratiwi, and M. A. Fikri, “Klasifikasi penyakit jantung menggunakan metode synthetic minority over-sampling technique dan random forest clasifier,” Indones. J. Comput. Sci., vol. 12, no. 5, 2023.

A. Rozaq and A. J. Purnomo, “Classification of Stunting Status in Toddlers Using Naive Bayes Method in the City of Madiun Based on Website,” J. Techno Nusa Mandiri, vol. 19, no. 2, pp. 69–76, 2022, doi: 10.33480/techno.v19i2.3337.

P. Apriyani, A. R. Dikananda, and I. Ali, “Penerapan Algoritma K-Means dalam Klasterisasi Kasus Stunting Balita Desa Tegalwangi,” Hello World J. Ilmu Komput., vol. 2, no. 1, pp. 20–33, 2023, doi: 10.56211/helloworld.v2i1.230.

Wulan Widhari, Agung Triayudi, and Ratih Titi Komala Sari, “Implementation of Naïve Bayes and K-NN Algorithms in Diagnosing Stunting in Children,” SAGA J. Technol. Inf. Syst., vol. 2, no. 1, pp. 164–174, 2024, doi: 10.58905/saga.v2i1.242.

Hizbul Izzi, Arief Setyanto, and Anggit Dwi Hartanto, “Optimalisasi Akurasi Algoritma Naïve Bayes Dengan Metode Syntetic Minority Oversampling Technique (Smote) Pada Data Numerik,” Infotek J. Inform. dan Teknol., vol. 8, no. 1, pp. 217–227, 2025, doi: 10.29408/jit.v8i1.28340.

E. Erlin, Y. Desnelita, N. Nasution, L. Suryati, and F. Zoromi, “Dampak SMOTE terhadap Kinerja Random Forest Classifier berdasarkan Data Tidak seimbang,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 3, pp. 677–690, 2022.

Y. Shi and H. Xu, “The Iris Cassification Based on Gaussian Naive Bayes Agorithm,” in Proceedings of the 2022 6th International Conference on Electronic Information Technology and Computer Engineering, in EITCE ’22. New York, NY, USA: Association for Computing Machinery, 2023, pp. 732–736. doi: 10.1145/3573428.3573559.

R. E. Putra, “Perbandingan Analisis Sentimen Untuk Prediksi Kepuasan Pelanggan Kedai Kopi Di Kofind Menggunakan Algoritma SVM Dan Naive Bayes,” vol. 06, pp. 1039–1048, 2025.

R. Harahap, M. Irpan, M. A. Dinata, L. Efrizoni, and Rahmaddeni, “Perbandingan Algoritma Random Forest Dan Xgboost Untuk Klasifikasi Penyakit Paru-Paru Berdasarkan Data Demografi Pasien,” J. Ilm. Betrik, vol. 15, no. 02, pp. 130–141, 2024.