Backward Elimination Untuk Meningkatkan Akurasi Kejadian Stunting Dengan Analisis Algortima Support Vector Machine

Agus Byna, Fadhiyah Noor Anisa

Abstract


Latar Belakang: Prevalensi stunting pada balita di Indonesia masih tinggi terutama pada usia 2-3 tahun. Faktor risko stunting antara lain panjang badan lahir, asupan, penyakit dan infeksi, genetik, dan status sosial ekonomi keluarga. Stunting terutama pada anak usia diatas 2 tahun sulit diatasi, sehingga penelitian mengenai faktor risiko stunting pada anak usia diatas 2 tahun diperlukan. Penggunaan Data di bidang kesehatan di perlukan sebagai tolak ukur untuk mencari hubungan, analisis, dan faktor-faktor

Tujuan: Selain memberikan keilmuan di bidang Informatikan juga berguna bagi ilmu kesehatan dalam pengelolaan data dalam mengambil keputusan. Serta Dapat mengurangi dampak tentang kejadian stunting

Metode: Backward Elimination dengan algortima Support Vector Machine

Hasil: nilai akurasi sebesar 81.62% dan nilai AUC sebesar 0.921 dengan tingkat diagnose Excellent Classification, namun setelah dilakukan penambahan yaitu Backward Elimination dengan Algortima Support Vector Machine nilai akurasi sebesar 90.16% dan nilai AUC sebesar 0,962 dengan tingkat diagnosa Excelent Classification. Dari 13 atrribut menjadi 10 atrribut, Sehingga kedua metode tersebut memiliki perbedaan tingkar akurasi yaitu sebesar 8,54% dan perbedaan nilai AUC sebesar 0,041.

Simpulan: Penerapan metode Backward Elimination dapat meningkatkan nilai akurasi pada algoritma SVM dan juga menseleksi atrribut/variable.

Kata Kunci: Backward Elimination, Data Mining, Kejadian Stunting, SVM.


Abstract

Background: The prevalence of stunting in infants in Indonesia is still high, especially at 2-3 years of age. Risk factors for stunting include birth length, intake, disease and infection, genetic, and family socioeconomic status. Stunting, especially in children aged over 2 years is difficult to overcome, so research on risk factors for stunting in children aged over 2 years is needed

Purpose: In addition to providing knowledge in the field of Informatics, it is also useful for health science in managing data in making decisions. Can reduce the impact of stunting events. Backward Elimination.

Method: with Support Vector Machine algorithm

Result: of accuracy value is 81.62% and AUC value is 0.921 with the level of diagnosis Excellent Classification, but after adding the Backward Elimination with Support Vector Machine Algebraic accuracy value is 90.16% and AUC value is 0.962 with level Excelent Classification diagnosis. From the 13 attributes to 10 attributes, so the two methods have differences in accuracy of 8.54% and the difference in AUC value is 0.041.

Conclusion: The application of the Backward Elimination method can increase the accuracy value of the SVM algorithm and also select the attribute /variable.

Keywords: Backward Elimination, Data Mining, Stunting Events, SVM.

 


Full Text:

FULL TEXT PDF

References


Andina, D. and Pham, D.T., 2007. Computational intelligence. Berlin Heidelberg New York: Springer.

Gorunescu, F. 2011. Data Mining Concepts, Model and Techniques. Berlin: Springer.

Ina, W.T., 2013. Klasifikasi Data Rekam Medis Berdasarkan Kode Penyakit Internasional

Kusuma, K. E., & NURYANTO, N. (2013). Faktor risiko kejadian stunting pada anak usia 2-3 tahun (Studi di Kecamatan Semarang Timur) (Doctoral dissertation, Diponegoro University).

Kusrini dan Luthfi, E. T., 2009. Algoritma Data Mining, Andi Offset, Yogyakarta

Larose, D.T., 2014. Discovering knowledge in data: an introduction to data mining. John Wiley & Sons.

Menggunakan Algoritma C4. 5. Jurnal Media Elektro, 2(1), p.105.

Manary, M.J. & Solomons, N.W. 2009. Gizi Kesehatan Masyarakat Gizi dan Perkembangan Anak. Penerbit Buku Kedokteran EGC.

Marmi dan Kukuh Rahardjo. 2012. Asuhan Neonatus, Bayi, Balita, dan Anak Prasekolah. Yogyakarta : Pustaka Pelajar.

Narin, A., Isler, Y., & Ozer, M. 2014. Investigating the performance improvement of HRV Indices in CHF using feature selection methods based on backward elimination and statistical significance. Computers in biology.

Rudolf,M. & Levene,M. 2006. Paediatrics and Child Health. Blackwell Publishing.

Roesli. 2000. Mengenal ASI Exklusif. Jakarta: Pustaka Pengembangan Swadaya Nusantara.

Septiani, W. D. 2017. Komparasi Metode Klasifikasi Data Mining Algoritma C4. 5 Dan Naive Bayes Untuk Prediksi Penyakit Hepatitis. Jurnal Pilar Nusa Mandiri, 13(1), 76-84.

Soetjiningsih. 2004. Tumbuh Kembang Anak. Penerbit Buku Kedokteran (EGC), Jakarta.

Vu, D. H., Muttaqi, K. M., & Agalgaonkar, A. P. 2015. A variance inflation factor and backward elimination based robust regression model for forecasting monthly electricity demand using climatic variables. Applied Energy, 140, 385-394.

Yu, L., Chen, G., Koronios, a., Zhu, S., & Guo, X. 2007. Application and Comparison of Classification Techniques in Controlling Credit Risk.World Scientific, 111.s


Refbacks

  • There are currently no refbacks.




Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Dinamika Kesehatan Jurnal Kebidanan dan Keperawatan

E-ISSN : 2549-4058

p-ISSN : 2086-3454