Klasifikasi Risiko Stunting Pada Balita Menggunakan Algoritma Naive Bayes

Abstract

Abstrak

UPTD Puskesmas Pujer yang terletak di Kabupaten Bondowoso menghadapi kesulitan dalam pengelolaan serta pemantauan data mengenai stunting pada anak-anak balita dengan masih mengandalkan metode pencatatan manual dan semi-digital. Situasi ini menyebabkan efisiensi yang sangat terbatas, risiko kesalahan input yang relatif tinggi, dan proses analisis yang lambat untuk secara akurat mengidentifikasi kebutuhan intervensi. Penelitian ini bertujuan untuk menerapkan algoritma Naive Bayes dalam mengembangkan sistem yang dapat mengklasifikasikan risiko stunting pada balita, dengan kemampuan untuk secara cepat dan otomatis mengenali status risiko berdasarkan rekam medis yang telah dikumpulkan. Dalam pengembangan model klasifikasi
berbasis data mining ini, pendekatan Gaussian Naive Bayes digunakan bersama pemrograman Python, serta melalui langkah-langkah preprocessing data, normalisasi menggunakan Min-Max Scaling, dan pemisahan data menjadi training set (80%) dan testing set (20%), yang kemudian dievaluasi menggunakan metrik akurasi dari Confusion Matrix. Variabel yang dianalisis di dalam sistem ini mencakup jenis kelamin, usia, tinggi badan, berat badan, dan alamat. Hasil evaluasi menunjukkan tingkat akurasi mencapai 92.5%. Temuan penelitian mengindikasikan bahwa algoritma Naive Bayes dapat mengelompokkan status risiko stunting dengan efisien, otomatis, dan akurat, sehingga model ini sangat layak digunakan sebagai sistem pendukung keputusan bagi puskesmas dalam melakukan deteksi awal, pemetaan distribusi wilayah, serta pengoptimalan program pencegahan dan edukasi gizi kepada masyarakat.
Kata kunci: Stunting, Data Mining, Klasifikasi, Naive Bayes, Sistem Pendukung Keputusan

Abstract

UPTD Puskesmas Pujer, located in Bondowoso Regency faces challenges in managing and monitoring data on stunting in toddlers, relying on manual and semi-digital recording methods. This situation results in very limited efficiency, a relatively high risk of input errors, and a slow analysis process to accurately identify intervention needs. This study aims to apply the Naive Bayes algorithm to develop a system that can classify stunting risk in toddlers, with the ability to quickly and automatically identify risk status based on collected medical records. In developing this data mining-based classification model, the Gaussian Naive Bayes approach is used in conjunction with Python programming, as well as through data preprocessing steps, normalization using Min-Max Scaling, and data separation into training sets (80%) and testing sets (20%), which are then evaluated using the Confusion Matrix accuracy metric. The variables analyzed in this system include gender, age, height, weight, and address. The evaluation results show an accuracy level of 92.5%. The research findings indicate that the Naive Bayes algorithm can classify stunting risk status efficiently, automatically, and accurately, making this model very suitable for use as a decision support system for community health centers in conducting early detection, mapping regional distribution, and optimizing prevention programs and nutrition education for the community.
Keyword: Stunting, Data Mining, Classification, Naive Bayes, Decision Support System