Data Mining adalah cara untuk mengambil informasi yang tidak diketahui dari sekelompok data dengan membersihkan, memproses, dan menganalisis data untuk memecahkan masalah. Teknik-teknik dalam Data Mining melibatkan perkiraan, prediksi, klasifikasi, dan asosiasi. Belakangan ini, Data Mining sering digunakan dalam dunia kesehatan, termasuk untuk menilai status gizi balita berdasarkan ukuran tubuh.
Balita adalah anak di bawah usia 5 tahun, yang merupakan fase penting dalam perkembangan fisik, psikologis, dan intelektual. Kesehatan dan status gizi balita menjadi tolak ukur kondisi gizi masyarakat. Keterlambatan penanganan masalah gizi pada balita dapat berdampak pada gangguan kecerdasan dan kesehatan mental. Meskipun masalah fisik dapat diperbaiki, perkembangan otak tidak bisa. Kekurangan gizi pada balita dapat terus-menerus menyebabkan masalah kesehatan dan perkembangan tubuh, termasuk risiko infeksi dan penurunan fungsi tubuh dan mental balita.
Pengukuran antropometri adalah cara untuk mengetahui status gizi balita berdasarkan standar WHO. Nilai Z-Score dihitung dari indeks antropometri, seperti berat badan untuk usia (WFA), tinggi badan untuk usia (HFA), berat badan untuk tinggi badan (WFH), dan indeks massa tubuh untuk usia (BMIFA).
Dalam mengklasifikasikan status gizi balita, digunakan metode atau teknik untuk mempermudah proses klasifikasi berdasarkan indeks antropometri. Beberapa penelitian menggunakan metode seperti forward chaining, naive Bayes, K-Nearest Neighbor, dan backpropagation untuk mencapai akurasi klasifikasi yang baik. SVM (Support Vector Machine) juga terbukti efektif untuk mengklasifikasikan status gizi balita berdasarkan empat indeks antropometri. Metode ini menggunakan atribut seperti jenis kelamin, usia, berat badan, tinggi badan, dan indeks massa tubuh dalam proses klasifikasi.
Hasil dari evaluasi model SVM yang telah dibangun menggunakan confusion matrix pada data uji untuk empat model pada indeks antropometri, termasuk WFA, HFA, WFH, dan BMIFA dapat dilihat pada tabel berikut :
|
Evaluation |
WFA |
HFA |
WFH |
BMIFA |
Average |
|
Accuracy |
89.8 |
92.79 |
92.27 |
92.79 |
91.91 |
|
Recall |
100 |
100 |
100 |
99.47 |
99,86 |
|
Precision |
89.74 |
92.79 |
92.23 |
93.03 |
91,94 |
Berdasarkan diskusi di atas, dapat disimpulkan bahwa algoritma SVM dapat digunakan untuk mengklasifikasikan status gizi balita berdasarkan Indeks Antropometri. Uji akurasi menunjukkan hasil yang baik dengan nilai akurasi sebagai berikut: berat badan untuk usia (WFA) sebesar 89.8%, tinggi badan untuk usia (HFA) sebesar 92.79%, dan berat badan untuk tinggi badan (WFH) sebesar 92.79%. Akurasi rata-rata mencapai 91.91%. Selain itu, nilai Recall rata-rata adalah 99.86%, dan nilai Presisi rata-rata adalah 91.94%.
1. Penelitian ini memberikan kontribusi penting dalam pengembangan model SVM untuk mengklasifikasikan status gizi balita berdasarkan indeks antropometri, seperti berat badan untuk umur (WFA), tinggi badan untuk umur (HFA), berat badan untuk tinggi badan (WFH), dan indeks massa tubuh untuk umur (BMIFA). Hasil evaluasi menunjukkan tingkat akurasi, recall, dan presisi yang tinggi, menandakan bahwa model ini dapat memberikan penilaian status gizi balita dengan tingkat keakuratan yang baik.
2. Penelitian ini dapat menjadi kontribusi berharga dalam konteks penelitian kesehatan anak. Peningkatan pemahaman tentang status gizi balita dan pengembangan model klasifikasi yang baik dapat membuka jalan untuk penelitian lebih lanjut dalam meningkatkan kesehatan anak-anak secara umum.
3. Model SVM yang berhasil dapat menjadi dasar untuk pengembangan model klasifikasi lainnya dalam bidang kesehatan anak. Hal ini membuka potensi untuk penerapan model serupa dalam konteks gizi anak di berbagai lokasi dan populasi.
4. Melalui teknologi dan analisis data, penelitian ini dapat memberikan pemahaman yang lebih baik tentang status gizi balita. Ini membantu para profesional kesehatan dan peneliti untuk memiliki gambaran yang lebih komprehensif tentang masalah gizi pada kelompok usia ini.