KOMPARASI ALGORITMA C4.5 DENGAN ALGORITMA K-NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI STATUS GIZI BALITA

Eshanty, Saras - 225611025 (2024) KOMPARASI ALGORITMA C4.5 DENGAN ALGORITMA K-NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI STATUS GIZI BALITA. Skripsi thesis, UNIVERSITAS TEKNOLOGI DIGITAL INDONESIA.

	Text 1_225611025_HALAMAN_DEPAN.pdf.pdf - Published Version Download (1MB)
	Text 2_225611025_BAB_I.pdf.pdf - Published Version Download (255kB)
	Text 3_225611025_BAB_II.pdf.pdf - Published Version Download (1MB)
	Text 4_225611025_BAB_III.pdf.pdf - Published Version Restricted to Repository staff only Download (156kB)
	Text 5_225611025_BAB_IV.pdf.pdf - Published Version Restricted to Repository staff only Download (1MB)
	Text 6_225611025_BAB_V.pdf.pdf - Published Version Download (9kB)
	Text 7_225611025_DAFTAR_PUSTAKA.pdf.pdf - Published Version Download (130kB)
	Text 8_225611025_LAMPIRAN.pdf.pdf - Published Version Download (2MB)

Abstract

Kesehatan anak usia 0-60 bulan harus sempurna untuk membentuk generasi emas dimasanya dan gizi merupakan asupan penting yang mempengaruhi tumbuh kembang seorang anak, kebutuhan gizi pada anak terutama balita sangat rentan mengalami perubahan berat badan. Untuk mengetahui penilaian status gizi, balita akan melakukan pemeriksaan antropometri yang terdiri dari tinggi badan dan berat badan secara berkala dan hasil pemeriksaan tersebut dicatat secara manual pada KMS (Kartu Menuju Sehat). Metode tersebut kurang akurat serta kurang lengkap karena penilaian status gizi hanya berdasarkan berat badan menurut umur (BB/U) balita saja. Oleh sebab itu digunakanlah algoritma data minning untuk mengklasifikasi status gizi balita, akan ditentukan jenis algoritma mana yang paling baik atau akurat untuk mengklasifikasi status gizi balita berdasarkan komparasi dua jenis algoritma yaitu Algoritma C.45 dan Algoritma K-Nearest Neighbour (KNN) dengan menggunakan tools Rapidminer versi 10.3 dengan mempertimbangkan 4 faktor yaitu: 1) Jenis Kelamin, 2) Usia, 3) Pengukuran Berat Badan sesuai Umur (BB/U), 4) Pengukuran Tinggi Badan (TB/U) kemudian menghasilkan pengukuran Berat Badan sesuai Tinggi Badan (BB/TB) menjadi lima kategori status gizi yaitu Gizi Buruk, Gizi Kurang, Gizi Baik, Resiko Gizi Lebih, Gizi Lebih. Dari kelima kategori yang dihasilkan tersebut harus dicocokkan dengan menggunakan table pertumbuhan yang berlaku untuk suatu masyarakat, sehingga dapat mengevalusi dan melihat perkembangan fisik anak. Hasil penelitian menunjukkan kinerja Algoritma KNN dengan akurasi 91,26% lebih baik dari hasil kinerja Algoritma C4.5 dengan akurasi 91,12 Data Minning, Status Gizi Anak, Klasifikasi, Decision Tree, Algoritma C4.5, Algoritma K-Nearest Neighbor (KNN)

Item Type:	Thesis (Skripsi)
Additional Information:	Pembimbing : Sumiyatun, S.Kom., M.Cs
Uncontrolled Keywords:	Data Minning, Status Gizi Anak, Klasifikasi, Decision Tree, Algoritma C4.5, Algoritma K-Nearest Neighbor (KNN).
Subjects:	A Karya Umum (General) > Ilmu Komputer (Computer Science) > Algoritma A Karya Umum (General) > Ilmu Komputer (Computer Science) > Kecerdasan Buatan (Artificial Intelegence) A Karya Umum (General) > Ilmu Komputer (Computer Science) > Database > Data Mining
Divisions:	Jenjang S1 > Sistem Informasi (S1)
Depositing User:	Mr. Andi Setyanto
Date Deposited:	02 Apr 2024 06:58
Last Modified:	02 Apr 2024 06:58
URI:	http://eprints.utdi.ac.id/id/eprint/10357

Actions (login required)

View Item