HIDAYAT, FADLAN AZHEEM (2025) PERBANDINGAN SVM DAN NAIVE BAYES UNTUK KLASIFIKASI IBU HAMIL BERDASARKAN LILA DI PONDOK RANJI. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (496kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 BAB 1.pdf Restricted to Registered users only Download (34kB) |
|
|
Text (BAB II)
03 BAB 2.pdf Restricted to Registered users only Download (79kB) |
|
|
Text (BAB III)
04 BAB 3.pdf Restricted to Registered users only Download (43kB) |
|
|
Text (BAB IV)
05 BAB 4.pdf Restricted to Registered users only Download (284kB) |
|
|
Text (BAB V)
06 BAB 5.pdf Restricted to Registered users only Download (30kB) |
|
|
Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (154kB) |
|
|
Text (LAMPIRAN)
08 LAMPIRAN.pdf Restricted to Registered users only Download (930kB) |
Abstract
The nutritional status of pregnant women is a crucial element to ensure the health of both the mother and the fetus. One of the measures used to assess nutritional status is Upper Arm Circumference (UAC). The purpose of this study is to analyze and compare the performance of the Naive Bayes and Support Vector Machine (SVM) algorithms in classifying the nutritional status of pregnant women, based on UAC measurement data collected from the Pondok Ranji Health Center in Tangerang. The data used in this study is primary data, which includes various variables, including UAC measurements of pregnant women. These two algorithms were chosen due to their ability to cluster data with a limited number of variables while providing results with good efficiency and accuracy. This study evaluated the performance of both algorithms using evaluation metrics such as accuracy, precision, recall, and F1-score. The findings of this study show that the Support Vector Machine (SVM) algorithm outperforms Naive Bayes in classifying the data. SVM achieved an accuracy of 95.49%, which is higher than Naive Bayes at 92.11%. Additionally, the precision, recall, and F1-score of SVM were also superior across all classes, demonstrating more consistent and accurate performance. Based on these results, SVM is recommended as the more efficient algorithm for classification in this study. Keyword: Maternal Nutritional Status, MUAC, Naive Bayes, SVM, Classification Status gizi ibu hamil adalah elemen krusial untuk menjamin kesehatan bagi ibu dan janin. Salah satu ukuran yang dipakai untuk menilai status gizi adalah Lingkar Lengan Atas (LILA). Tujuan dari penelitian ini adalah untuk menganalisis dan membandingkan kinerja algoritma Naive Bayes dan Support Vector Machine (SVM) dalam mengklasifikasikan status gizi ibu hamil, berdasarkan data pengukuran LILA yang diambil dari Puskesmas Pondok Ranji di Tangerang. Data yang digunakan dalam kajian ini merupakan data primer yang meliputi berbagai variabel, termasuk pengukuran LILA pada ibu- ibu hamil. Kedua algoritma ini dipilih karena kemampuan mereka dalam mengelompokkan data dengan jumlah variabel yang terbatas serta memberikan hasil dengan efisiensi dan akurasi yang baik. Penelitian ini mengecek performa kedua algoritma menggunakan metrik evaluasi seperti akurasi, presisi, recall, dan F1-score. Temuan dari penelitian ini menunjukkan bahwa algoritma Support Vector Machine (SVM) memiliki performa yang lebih unggul dibandingkan dengan Naïve Bayes dalam mengklasifikasikan data. SVM memperoleh akurasi sebesar 87,59%, yang lebih tinggi daripada Naïve Bayes yang hanya 83,83%. Selain itu, precision, recall, dan F1-score dari SVM juga lebih baik di setiap kelas, memperlihatkan performa yang lebih konsisten dan akurat. Berdasarkan hasil ini, SVM direkomendasikan sebagai algoritma yang lebih efisien untuk proses klasifikasi dalam penelitian ini. Kata kunci: Status Gizi Ibu Hamil, LILA, Naive Bayes, SVM, Klasifikasi
Actions (login required)
 |
View Item |
