Perbandingan Teknik Klasifikasi Catatan Medis untuk Indeks Antropometri Status Gizi Balita

Jurnal Teknologi Dan Sistem Informasi Bisnis Pub Date : 2024-01-15 DOI:10.47233/jteksis.v6i1.1064

Arif Wicaksono Septyanto, Henokh Lugo Hariyanto

{"title":"Perbandingan Teknik Klasifikasi Catatan Medis untuk Indeks Antropometri Status Gizi Balita","authors":"Arif Wicaksono Septyanto, Henokh Lugo Hariyanto","doi":"10.47233/jteksis.v6i1.1064","DOIUrl":null,"url":null,"abstract":"Menilai status gizi balita sangat penting untuk mengawasi perkembangan gizi balita. Penelitian ini mencoba membandingkan dua cara untuk mengklasifikasikan status gizi balita, yaitu dengan menggunakan metode K-Nearest Neighbors (K-NN) dan Support Vector Machine (SVM) berdasarkan Indeks Antropometri. Penelitian ini dilakukan untuk mengetahui teknik mana yang paling baik untuk mengelompokkan balita dalam dataset gizi balita. Data yang digunakan untuk proses ini mencakup informasi seperti jenis kelamin, usia, berat badan, tinggi badan, dan indeks massa tubuh. Kami juga menghitung status gizi balita berdasarkan indeks antropometri, berat badan untuk usia (WFA), tinggi badan untuk usia (HFA), berat badan untuk tinggi badan (WFH), dan indeks massa tubuh untuk usia (BMIFA). Dalam mengukur seberapa baik teknik ini bekerja, kami menggunakan 827 data balita sebagai data latihan dan 207 data balita sebagai data uji. Hasilnya menunjukkan bahwa model K-Nearest Neighbors (K-NN) memiliki akurasi sekitar 93,01%, sementara model SVM memiliki akurasi sekitar 91,8%. Ini berarti model K-NN sedikit lebih baik daripada model SVM dalam mengklasifikasikan status gizi balita berdasarkan indeks antropometri.","PeriodicalId":378707,"journal":{"name":"Jurnal Teknologi Dan Sistem Informasi Bisnis","volume":" 4","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2024-01-15","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Teknologi Dan Sistem Informasi Bisnis","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.47233/jteksis.v6i1.1064","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

Abstract

Menilai status gizi balita sangat penting untuk mengawasi perkembangan gizi balita. Penelitian ini mencoba membandingkan dua cara untuk mengklasifikasikan status gizi balita, yaitu dengan menggunakan metode K-Nearest Neighbors (K-NN) dan Support Vector Machine (SVM) berdasarkan Indeks Antropometri. Penelitian ini dilakukan untuk mengetahui teknik mana yang paling baik untuk mengelompokkan balita dalam dataset gizi balita. Data yang digunakan untuk proses ini mencakup informasi seperti jenis kelamin, usia, berat badan, tinggi badan, dan indeks massa tubuh. Kami juga menghitung status gizi balita berdasarkan indeks antropometri, berat badan untuk usia (WFA), tinggi badan untuk usia (HFA), berat badan untuk tinggi badan (WFH), dan indeks massa tubuh untuk usia (BMIFA). Dalam mengukur seberapa baik teknik ini bekerja, kami menggunakan 827 data balita sebagai data latihan dan 207 data balita sebagai data uji. Hasilnya menunjukkan bahwa model K-Nearest Neighbors (K-NN) memiliki akurasi sekitar 93,01%, sementara model SVM memiliki akurasi sekitar 91,8%. Ini berarti model K-NN sedikit lebih baik daripada model SVM dalam mengklasifikasikan status gizi balita berdasarkan indeks antropometri.

查看原文本刊更多论文

幼儿营养状况人体测量指标的病历分类技术比较

评估幼儿的营养状况对于监测幼儿的营养发育非常重要。本研究试图比较两种对幼儿营养状况进行分类的方法，即使用 K-Nearest Neighbors (K-NN) 方法和基于人体测量指数的支持向量机 (SVM)。这项研究旨在找出哪种技术最适合在幼儿营养数据集中对幼儿进行分类。这一过程中使用的数据包括性别、年龄、体重、身高和体重指数等信息。我们还根据人体测量指数、年龄体重指数（WFA）、年龄身高指数（HFA）、身高体重指数（WFH）和年龄体重指数（BMIFA）计算了五岁以下儿童的营养状况。为了衡量该技术的效果，我们使用了 827 名五岁以下儿童作为训练数据，207 名五岁以下儿童作为测试数据。结果显示，K-近邻（K-NN）模型的准确率约为 93.01%，而 SVM 模型的准确率约为 91.8%。这说明在根据人体测量指数对幼儿营养状况进行分类方面，K-NN 模型略优于 SVM 模型。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Jurnal Teknologi Dan Sistem Informasi Bisnis

自引率

0.00%

发文量