PERANCANGAN SISTEM INFORMASI STATUS GIZI BALITA (STUNTING) di UPTD PUSKESMAS MUARA SATU dan MUARA DUA MENGGUNAKAN METODE NAÏVE BAYES CLASSIFICATION dan K-NEAREST NEIGHBOR BERBASIS WEB

Abstract

Gizi sangat dibutuhkan bagi tubuh manusia, terutama pada balita dan anak-anak yang beranjak dewasa, nilai gizi yang seimbang sangat baik untuk pertumbuhan kembang anak, meningkatkan kemampuan belajar yang baik, serta memberikan dampak positif untuk perkembangannya di masa yang akan datang. Permasalahan saat ini adalah masih kurangnya pengetahuan dasar orang tua dan para kader puskesmas mengenai nilai gizi seimbang pada balita. Tujuan penelitian ini adalah membuat Sistem Informasi Perancangan Status Gizi Balita (Stunting) di Kabupaten Aceh Utara, Kecamatan Muara Satu, dan Muara Dua Lhokseumawe Menggunakan Metode Naïve Bayes Classifier menjadi beberapa kategori yaitu Obesitas, gizi baik, gizi buruk dan gizi kurang. Selanjutnya dalam penelitian ini akan di kelompokan atau klasterisasi  nilai gizi balita dengan acuan parameter tinggi badan dan berat badan balita menggunakan Naïve Bayes Classification. Analisis perancangan meliputi Use case Diagram, Activity Diagram, Class Diagram, dan Sequence diagram. Implementasi menggunakan bahasa pemograman Python sebagai desain tampilan antarmuka dan SQLite sebagai pengolahan database. Hasil penelitian ini berupa Sistem Informasi Aplikasi Gizi Balita yang hasilnya dapat membantu dalam menentukan status gizi balita di puskesmas Muara Satu dan Muara Dua Lhokseumawe agar lebih efektif dan akurat. Menurut akurasi dari Naïve Bayes Classifier dengan data uji 90% dan data latih 10 % dengan hasil akurasi 87,63 %, 80 data uji dan 20 data latih dengan hasil akurasi 84,46 %, 70% data uji dan 30% data latih dengan hasil akurasi 85,81 %, 60% data uji dan 40% latih dengan hasil akurasi 86,53%. Proses pembuatan model prediksi stunting pada Puskesmas Muara Satu dan Muara Dua dengan menggunakan metode K-Nearest Neighbor dengan data uji 90% dan data latih 10 % dengan hasil akurasi 67,01 %, 80 data uji dan 20 data latih dengan hasil akurasi 85,49 %, 70% data uji dan 30% data latih dengan hasil akurasi 85,81 %, 60% data uji dan 40% latih dengan hasil akurasi 84,72%. Dari penelitian ini dapat disimpulkan bahwa metode yang lebih baik digunakan pada penelitian ini adalah Naïve Bayes Classifier.