AHP-CBR Untuk Deteksi Dini Stunting Pada Balita Menggunakan Algoritma Similaritas KNN
Abstract
Abstrak: Pengetahuan tentang pencegahan stunting sangat dibutuhkan, saat balita mengalami stunting. Salah satu alat yang dibutuhkan untuk mengidentifikasi gejala stunting adalah sistem yang berbasis web, yang dapat berperan sebagai pendeteksi stunting pada balita dan media pembelajaran. Dalam penelitian ini, dilakukan pendeteksi dini stunting pada balita dengan menggunakan metode AHP-CBR dan algoritma KNN. Metode AHP (Analytical Hierarchy Process) dilakukan untuk pengambilan keputusan dengan cara perbandingan berpasangan antara kriteria penyakit dan alternatif penyakit dengan CBR (Case-Base Reasoning) yang melakukan suatu pendeketan untuk menentukan proses penyembuhan stunting dengan memanfaatkan kasus lama dan dilakukan penyembuhan sebelumnya dan menentukan algoritma menggunakan KNN (K-Nearest Neighbor). Pembobotan matriks perbandingan berpasangan dilakukan terhadap 36 gejala dan 5 penyakit stunting, sehingga menghasilkan tiga kelompok bobot, yaitu gejala berat dengan bobot 0,63, gejala sedang dengan bobot 0,25 dan gejala ringan dengan bobot 0,10.Kata kunci: AHP, CBR, KNN, deteksi stunting
Abstract: Knowledge about stunting prevention is needed, when toddlers experience stunting. One of the tools needed to identify stunting symptoms is a web-based system, which can act as a stunting detector in toddlers and learning media. In this study, early detection of stunting was carried out in toddlers using the AHP-CBR method and the KNN algorithm. The AHP (Analytical Hierarchy Process) method is carried out for decision making by means of pairwise comparisons between disease criteria and disease alternatives with CBR (Case-Base Reasoning) which performs an approach to determine the stunting healing process by utilizing old cases and previous healing and determines the algorithm using KNN (K-Nearest Neighbor). The pairwise comparison matrix was weighted for 36 symptoms and 5 stunting diseases, resulting in three groups of weights, namely severe symptoms with a weight of 0,63, moderate symptoms with a weight of 0,25 and mild symptoms with a weight of 0,10.
Keywords: AHP, CBR, KNN, stunting detection
References
[1] B. D. Putra and N. Y. S. M. S. Munti, “Aplikasi Sistem Pakar Diagnosa Penyakit Stunting Pada Anak Dengan Metode Forward Chaining,†J. Pustaka Paket (Pusat Akses Kaji. Pengabdi. Komput. dan Tek., vol. 1, no. 1, pp. 6–15, 2022, [Online]. Available: http://jurnal.pustakagalerimandiri.co.id/index.php/pustakapaket/article/view/209.
[2] A. Harkamsyah, “Sistem Pakar Stunting Pada Balita Menggunakan Metode Forward Chaining & Naïve Bayes,†J. Sains Inform. Terap., vol. 1, no. 2, pp. 115–119, 2022, [Online]. Available: https://rcf-indonesia.org/jurnal/index.php/jsit.
[3] N. E. Y. I. J. Y. I. Masyita Haerianti, “Pelatihan Kader Kesehatan Deteksi Dini Stunting Pada Balita Di Desa Betteng ( Health Cadre Training About Early Detection Of Stunting Toddler In Betteng Village),†J. Kesehat. Masy., vol. 01, pp. 41–46, 2018.
[4] S. Sugiyanto and S. Sumarlan, “Analisis Faktor Yang Berhubungan Dengan Stunting Pada Balita Usia 25-60 Bulan,†vol. 7, no. 2, pp. 9–20, 2021.
[5] A. A. Khairun Nisa, S. Subiyanto, and S. Sukamta, “Penggunaan Analytical Hierarchy Process (AHP) Untuk Pemilihan Supplier Bahan Baku,†J. Sist. Inf. Bisnis, vol. 9, no. 1, p. 86, 2019, doi: 10.21456/vol9iss1pp86-93.
[6] M. Dayan Sinaga, “Penerapan Metode Case Based Reasoning (CBR) untuk Mengidentifikasi Penyakit Tanaman Sawit,†vol. x, No.x, no. x, pp. 1–5, 2018.
[7] I. B. Y. Semara Putra and S. Wibisono, “Sistem Pakar Diagnosa Penyakit Kulit Anjing Menggunakan Metode Case Based Reasoning dan Algoritma K-Nearest Neighbour,†J. Inform. Upgris, vol. 6, no. 1, 2020, doi: 10.26877/jiu.v6i1.6145.
[8] R. Rachman, “Penerapan Metode AHP Untuk Menentukan Kualitas Pakaian Jadi di Industri Garment,†vol. 6, no. 1, pp. 1–8, 2019.
[9] D. N. Syahfitri and B. Hartono, “Pembobotan Atribut menggunakan Pairwise Comparison pada CBR Deteksi Kerusakan AC dengan Algoritma Similaritas 3W-Jaccard,†vol. 5, no. 36, pp. 1–8, 2022.
[10] M. Ula et al., “IMPLEMENTASI MACHINE LEARNING DENGAN MODEL CASE BASED REASONING DALAM MENDAGNOSA GIZI BURUK,†vol. 5, no. 2, pp. 333–339, 2021.
[11] H. A. Rahman, “Jurnal Sistim Informasi dan Teknologi Sistem Pakar dalam Mendeteksi Kerusakan Laptop dengan Metode Case Based Reasoning,†vol. 2, pp. 1–4, 2020, doi: 10.37034/jsisfotek.v2i3.25.
[12] G. A. Prasetyo and W. Hadikurniawati, “SISTEM PAKAR MENGGUNAKAN METODE CASE BASED REASONING ( CBR ) UNTUK MENDIAGNOSA PENYAKIT KUCING,†vol. 4, no. 2, pp. 78–83, 2021.
[13] A. Amanaturohim, S. Wibisono, J. Trilomba Juang No, and J. Tengah, “Penentuan Parameter Terbobot Menggunakan Pairwise Comparison Untuk CBR Deteksi Dini Penyakit Mata,†J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 1, pp. 280–294, 2021.
[14] M. F. Azmi and G. Syahputra, “Sistem Pakar Mendeteksi Gizi Buruk Pada Balita Menggunakan Metode Case Based Reasoning,†2020.
[15] B. Ismanto and N. Amalia, “Peningkatan Akurasi Pada Modified K-NN Untuk Klasifikasi Pengajuan Kredit Koperasi Dengan Menggunakan Algoritma Genetika,†pp. 66–70, 2018.
[2] A. Harkamsyah, “Sistem Pakar Stunting Pada Balita Menggunakan Metode Forward Chaining & Naïve Bayes,†J. Sains Inform. Terap., vol. 1, no. 2, pp. 115–119, 2022, [Online]. Available: https://rcf-indonesia.org/jurnal/index.php/jsit.
[3] N. E. Y. I. J. Y. I. Masyita Haerianti, “Pelatihan Kader Kesehatan Deteksi Dini Stunting Pada Balita Di Desa Betteng ( Health Cadre Training About Early Detection Of Stunting Toddler In Betteng Village),†J. Kesehat. Masy., vol. 01, pp. 41–46, 2018.
[4] S. Sugiyanto and S. Sumarlan, “Analisis Faktor Yang Berhubungan Dengan Stunting Pada Balita Usia 25-60 Bulan,†vol. 7, no. 2, pp. 9–20, 2021.
[5] A. A. Khairun Nisa, S. Subiyanto, and S. Sukamta, “Penggunaan Analytical Hierarchy Process (AHP) Untuk Pemilihan Supplier Bahan Baku,†J. Sist. Inf. Bisnis, vol. 9, no. 1, p. 86, 2019, doi: 10.21456/vol9iss1pp86-93.
[6] M. Dayan Sinaga, “Penerapan Metode Case Based Reasoning (CBR) untuk Mengidentifikasi Penyakit Tanaman Sawit,†vol. x, No.x, no. x, pp. 1–5, 2018.
[7] I. B. Y. Semara Putra and S. Wibisono, “Sistem Pakar Diagnosa Penyakit Kulit Anjing Menggunakan Metode Case Based Reasoning dan Algoritma K-Nearest Neighbour,†J. Inform. Upgris, vol. 6, no. 1, 2020, doi: 10.26877/jiu.v6i1.6145.
[8] R. Rachman, “Penerapan Metode AHP Untuk Menentukan Kualitas Pakaian Jadi di Industri Garment,†vol. 6, no. 1, pp. 1–8, 2019.
[9] D. N. Syahfitri and B. Hartono, “Pembobotan Atribut menggunakan Pairwise Comparison pada CBR Deteksi Kerusakan AC dengan Algoritma Similaritas 3W-Jaccard,†vol. 5, no. 36, pp. 1–8, 2022.
[10] M. Ula et al., “IMPLEMENTASI MACHINE LEARNING DENGAN MODEL CASE BASED REASONING DALAM MENDAGNOSA GIZI BURUK,†vol. 5, no. 2, pp. 333–339, 2021.
[11] H. A. Rahman, “Jurnal Sistim Informasi dan Teknologi Sistem Pakar dalam Mendeteksi Kerusakan Laptop dengan Metode Case Based Reasoning,†vol. 2, pp. 1–4, 2020, doi: 10.37034/jsisfotek.v2i3.25.
[12] G. A. Prasetyo and W. Hadikurniawati, “SISTEM PAKAR MENGGUNAKAN METODE CASE BASED REASONING ( CBR ) UNTUK MENDIAGNOSA PENYAKIT KUCING,†vol. 4, no. 2, pp. 78–83, 2021.
[13] A. Amanaturohim, S. Wibisono, J. Trilomba Juang No, and J. Tengah, “Penentuan Parameter Terbobot Menggunakan Pairwise Comparison Untuk CBR Deteksi Dini Penyakit Mata,†J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 1, pp. 280–294, 2021.
[14] M. F. Azmi and G. Syahputra, “Sistem Pakar Mendeteksi Gizi Buruk Pada Balita Menggunakan Metode Case Based Reasoning,†2020.
[15] B. Ismanto and N. Amalia, “Peningkatan Akurasi Pada Modified K-NN Untuk Klasifikasi Pengajuan Kredit Koperasi Dengan Menggunakan Algoritma Genetika,†pp. 66–70, 2018.
Published
2023-01-07
How to Cite
PURWANTO, Hizkia Indra; WIBISONO, Setyawan.
AHP-CBR Untuk Deteksi Dini Stunting Pada Balita Menggunakan Algoritma Similaritas KNN.
INFORMATICS FOR EDUCATORS AND PROFESSIONAL : Journal of Informatics, [S.l.], v. 7, n. 1, p. 64 - 73, jan. 2023.
ISSN 2548-3412.
Available at: <https://460290.0x60nl4us.asia/index.php/ITBI/article/view/2121>. Date accessed: 28 nov. 2024.
doi: https://doi.org/10.51211/itbi.v7i1.2121.
