ESTD PERPUSTAKAAN UNTAD
ESTD PERPUSTAKAAN UNTAD
| JudulPERBANDINGAN ALGORITMA NAÏVE BAYES DAN RANDOM FOREST DALAM KLASIFIKAS I STUNTING PADA ANAK |
| Nama: RENALDA SALWA SIVA |
| Tahun: 2024 |
| Abstrak ABSTRAK Penelitian ini membandingkan akurasi algoritma Naïve Bayes dan Random Forest dalam klasifikasi stunting pada anak. Stunting adalah kondisi pertumbuhan linear yang buruk pada balita, dengan konsekuensi jangka panjang yang dapat mempengaruhi kesehatan dan kualitas hidup. Dalam upaya penurunan stunting, penggunaan model statistik klasik memiliki batasan dalam menghadapi situasi dengan banyak variabel predictor dan korelasi kompleks antar variabel. Oleh karena itu, penelitian ini bertujuan untuk mencari cara yang lebih baik dan akurat dalam mengklasifikasi data stunting. Melalui perbandingan algoritma Naïve Bayes dan Random Forest , diharapkan dapat ditemukan solusi yang lebih efektif untuk mengklasifikasikan data tersebut. Penelitian ini diharapkan dapat memberikan kontribusi dalam upaya peningkatan status gizi masyarakat dan penurunan prevalensi stunting di Indonesia. Kata kunci— Naïve Bayes , Random Forest , Klasifikasi Stunting, Anak ABSTRACT This study compares the accuracy of Naïve Bayes and Random Forest algorithms in the classification of stunting in children. Stunting is a condition of poor linear growth in toddlers, with long-term consequences that can affect health and quality of life. In an effort to reduce stunting, the use of classical statistical models has limitations in dealing with situations with many predictor variables and complex correlations between variables. Therefore, this study aims to find a better and more accurate way to classify stunting data. Through the comparison of Naïve Bayes and Random Forest algorithms, it is hoped that a more effective solution can be found to classify the data. This research is expected to contribute to efforts to improve the nutritional status of the community and reduce the prevalence of stunting in Indonesia. Keywords— Naïve Bayes , Random Forest , Stunting Classification, Children |