Seminar Nasional Official Statistics 2021

Perbandingan Metode Support Vector Machine (SVM) dan Artificial

Neural Network (ANN) pada Klasifikasi Gizi Balita
Studi Kasus pada Puskesmas Salissingan
(Comparison of Support Vector Machine (SVM) and Artificial Neural Network (ANN) Methods in
Toddler Nutrition Classification (Case Study at Salissingan Health Center))

Harifa Hananti 1*, Kartika Sari 1,2

1
Program Studi Magister Statistika Terapan, FMIPA, Universitas Padjadjaran, Indonesia
2
Badan Pusat Statistik Kabupaten Serang, Provinsi Banten
Kubu Cotu Jorong V, Taruang-Taruang, Rao, Pasaman, Sumatera Barat
E-mail : 1harifa20001@mail.unpad.ac.id, 2kartika20003@mail.unpad.ac.id.

ABSTRAK
Kasus kekurangan gizi atau gizi buruk pada balita menyebar hampir di seluruh provinsi yang ada di Indonesia. Provinsi
Sulawesi Barat merupakan salah satu provinsi yang memiliki nilai persentase kekurangan gizi pada balita, sehingga dari
faktor-faktor yang mempengaruhi gizi balita sangat penting untuk dilakukan dalam pengklasifikasian. Data yang
digunakan adalah data dari Puskesmas Salissingan pada Tahun 2018. Penelitian ini bertujuan untuk melakukan
pengklasifikasian dan mendapatkan metode terbaik pada gizi balita (gizi baik & gizi kurang) di Puskesmas Salissingan
Sulawesi Barat dengan metode support vector machine (SVM) dan artificial neural network (ANN). Metode klasifikasi
yang terbaik dalam melihat ukuran ketepatan klasifikasi adalah metode SVM dan ANN. Dari hasil analisis diperoleh
ukuran ketepatan klasifikasi pada metode ANN (accuracy=94,82%, precision=51.00%, recall=51.09%, dan
AUC=0.910), sedangkan pada metode SVM (accuracy=94,46%, precision=46.08%, recall=50.59%, dan AUC=0.900)
dan dari hasil ukuran tersebut diperoleh bahwa metode yang terbaik dalam pengklasifikasian gizi balita di Puskesmas
Salissingan Sulawesi Barat adalah ANN.
Kata kunci: support vector machine, SVM, artificial neural network, ANN, Gizi Balita

ABSTRACT
Cases of malnutrition or in children under five spread in almost all provinces in Indonesia. West Sulawesi Province is
one of the provinces that has a percentage value of malnutrition in children under five, so that the factors that affect the
nutrition of children under five are very important to do in classification. The data used is data from the Salissingan
Health Center in 2018. This study aims to classify and obtain the best method of under-five nutrition (good nutrition &
poor nutrition) at the Salissingan Health Center, West Sulawesi with the support vector machine (SVM) method and
artificial neural network ( ANN). The best classification method in seeing the size of classification accuracy is the SVM
and ANN methods. From the analysis results obtained a measure of classification accuracy in the ANN method (accuracy
= 94.82%, precision = 51.00%, recall = 51.09%, and AUC = 0.910), while the SVM method (accuracy = 94.46%,
precision = 46.08% , recall = 50.59%, and AUC = 0.900) and from the results of these measurements it was found that
the best method for classifying under-five nutrition at the Salissingan Health Center, West Sulawesi, was ANN.

Keywords: support vector machine, SVM, artificial neural network, ANN, malnutrition

PENDAHULUAN

Indonesia sampai saat ini masih mengalami masalah kekurangan gizi balita. Berdasarkan data BPS pada
tahun 2018 kekurangan gizi balita (0-23 bulan) meningkat sebesar 0,4 persen dari tahun 2017. Kekurangan
gizi disebabkan oleh banyak faktor, seperti krisis ekonomi, budaya kesehatan, tingkat pendidikan, konsumsi
makanan, pola asuh gizi, lingkungan, maupun penduduk yang saling berhubungan. Secara umum gangguan
gizi dipengaruhi oleh faktor sekunder dan primer (Fitri, R.K, dkk, 2017).
Masa balita merupakan masa tumbuh kembang fisik dan mental yang pesat, pada masa balita ini otak
telah siap menghadapi berbagai stimulus seperti belajar berjalan dan mengungkapkan kata lebih lancar.
Selanjutnya pada masa balita ini, tumbuh kembang sangat perlu diperhatikan, hal ini didasarkan pada fakta
bahwa kurang gizi yang terjadi pada masa ini bersifat irreversible (tidak dapat pulih). Anak yang berusia
berumur 5 tahun (balita) merupakan anak-anak yang menunjukkan pertumbuhan fisik ataupun badan yang
pesat sehingga membutuhkan zat-zat gizi yang tinggi setiap kilo gram berat badannya.
Provinsi Sulawesi Barat merupakan salah satu provinsi yang memiliki nilai persentase kekurangan gizi
pada balita. Berdasarkan data BPS pada tahun 2016, 2017, dan 2018 kekurangan gizi balita sebesar 24.77%,

1036
Perbandingan Metode SVM & ANN pada Klasifikasi Gizi Balita……………………...………………(Harifa Hananti dan Kartika Sari)

24.80%, dan 24.70%. Selanjutnya berdasarkan data BPS , jika dibandingkan dengan empat provinsi terdekat
(Sulawesi Utara, Sulawei Tengah, Sulawesi Selatan, dan Sulawesi Tenggara), maka Provinsi Sulawesi Barat
merupakan Provinsi dengan Balita Kekurangan Gizi (BPS, 2018).
Beberapa algoritma klasifikasi yang dapat digunakan untuk model dengan faktor yang yang ada, sehingga
dapat mengklasifikasikan gizi balita dengan akurasi yang tinggi adalah metode support vector machine (SVM)
dan artificial neural network (ANN) (Sihombing, P.R, dkk, 2017). Berdasarkan masalah yang telah dijelaskan
maka penelitian ini bertujuan untuk melakukan pengklasifikasian gizi balita (gizi baik dan gizi kurang) dengan
metode support vector machine (SVM) & artificial neural network (ANN) di salah satu puskesmas Provinsi
Sulawesi Barat dan untuk mendapatkan metode yang terbaik pada pengklasifikasian gizi buruk dari kedua
metode (SVM & ANN) yang dilakukan. Hasil penelitian ini diharapkan dapat dimanfaatkan oleh Puskesmas
Salissingan maupun pemerintah Provinsi Sulawesi Barat dalam bidang kesehatan,, khususnya gizi balita.

METODE

Kekurangan Gizi

Gizi merupakan satu dari beberapa banyak faktor penting yang mempengaruhi seseorang maupun
sekelompok, sehingga hal tersebut menjadi dasar dalam kesehatan masyarakat (Emerson, E, 2005). Gizi buruk
merupakan suatu kondisi kekurangan konsumsi zat gizi yang dapat disebabkan oleh minimnya konsumsi
energi protein dalam makanan sehari-hari, yang ditandai dengan berat dan tinggi badan di bawah rata-rata
(tidak sesuai umur) dan harus ditetapkan oleh tenaga medis (BPS 2018). Kejadian gizi kurang dan buruk dapat
disebabkan juga oleh faktor lainnya seperti keadaan ekonomi, pendidikan, pola asuh, sanitasi lingkungan,
morbiditas (penyakit ifeksi), dan akses ke pelayanan kesehatan (Tjukami, T, dkk, 2011).

Data Mining

Data mining merupakan komponen dari beberapa disiplin ilmu yang menggabungkan metode ataupun
teknik dari pembelajaran mesin, pengenalan pola, statistik, database, dan visualisasi untuk penanganan kasus
pengambilan informasi dari database yang besar (Mardi, Yuli , 2014).

Algoritma Klasifikasi

Klasifikasi merupakan operasi untuk memisahkan beragam entitas kedalam beberapa kelas
(Nisbet, dkk, 2009). Pengklasifikasian merupakan pelatihan pada fungsi f (target/label) yang memasangkan
setiap atribut x ke satu dari jumlah label kelas y yang tersedia. Jika target kelas sudah diketahui maka proses
klasifikasi termasuk dalam supervised. Akan tetapi, apabila dataset belum memiliki target kelas maka termasuk
unsupervised, contohnya proses klaster. Penelitian ini menggunakan teknik klasifikasi supervised, yaitu
membandingkan dua metode, yaitu Support Vector Machine (SVM) dan Artificial Neural Network (ANN).
SVM dan ANN adalah algorithma klasifikasi yang digunakan untuk menilai objek data dan memasukkan data
kedalam kelas tertentu (Sihombing, P.R, dkk, 2017). Pembangunan model dilakukan pada proses klasifikasi
dan pemodelan dimanfaatkan untuk melakukan klasifikasi/prediksi pada suatu obyek supaya diketahui di
bagian mana objek data tersebut pada pemodelan yang telah dilakukan.

Cross Validation (CV)

Cross-validation (CV) adalah teknik validasi yang digunakan untuk melakukan evaluasi kerja model atau
algoritma, dimana data dibagi menjadi dua subset yaitu yang pertama data proses pembelajaran dan yang kedua
data validasi / evaluasi. Penelitian ini menggunakan 10 fold CV, dikarenakan hal ini sering kali menghasilkan
pendugaan akurasi yang kurang bias dibandingkan dengan CV biasa, leave-one-out CV dan bootstrap.

Support Vector Machines (SVM)

Support Vector Machines (SVM) merupakan salah satu algoritma yang sangat kuat digunakan dalam
klasifikasi dan regresi (Burges, C. (1998). SVM juga digunkan dalam prediksi numerik (Han, dkk, 2012).
Konsep klasifikasi dengan SVM ini dilakukan dengan mencari hyperplane terbaik yang digunakan sebagai
pembagi dua buah kelas data pada suatu ruang input.

1037
 Seminar Nasional Official Statistics 2021

Gambar 1. Decision Boundary dengan Marginal Maksimum

Gambar 1 menunjukkan pembagian antara dua bagian kelas, yaitu kelas +1 dan -1. Data pada kelas -1
dilambangkan dengan tanda segiempat sedangkan data pada kelas +1 dilambangkan dengan tanda bulat. Untuk
mendaptakan hyperplane (batas keputusan) yang baik antara bagian dua kelas, maka dilakukan dengan cara
mengukur margin dan mendapatkan titik optimumnya. Margin (garis putus-putus) merupakan jarak antara
hyperplane dengan data terdekat (support vector) dari masing-masing kelas. Pada gambar 1 terdapat sebuah
garis lurus yang merupakan hyperplane yang terbaik, yaitu garis yang berada ditengah-tengah yang membagi
kedua kelas.

Artificial Neural Network (ANN)

Artificial Neural Network (ANN) merupakan sebuah jaringan saraf yang memiliki sekumpulan neuron
buatan yang saling terikat untuk melakukan proses informasi guna menyatukan untuk proses perhitungan
(Laksana, T.G. 2013). Artificial Neural Network (ANN) dikenal dengan Jaringan Saraf Tiruan (JST) yaitu
sebuah sistem analisis data yang terinspirasi dari konfigurasi otak manusia. Hal tersebut digunakan untuk
mengidintifikasi, memproses, dan saling bergantung untuk menyelesaikan sebuah permasalahan tertentu
(Khademi, F, dkk, 2016).

Gambar 2. Ilustrasi Skema Neuron

ANN bekerja dengan cara kerja seperti manusia, misalnya belajar dengan sebuah contoh. Terdapat tiga
proses pada ANN, yaitu yang pertama proses input (input layer), kedua tersembunyi (hidden layer), dan ketiga
output (ouput layer). Ada beberapa penghubung antara hidden layer dengan layer lainnya yaitu dengan bobot,
bias dan fungsi transfer. Selanjutnya untuk menentukan fungsi error dengan menggunakan output jaringan
dan target. Sedangkan untuk mengecilkan error dengan menggunakan teknik optimasi dengan cara
menyesuaikan bobot dan bias. Semua proses training dilakukan secara berulang-ulang dengan beberapa epoch,
hingga mencapai keakuratan dalam proses hasil yang diinginkan. Selanjutnya setelah melakukan training
bobot dan bias juga digunakan dalam proses memvalidasi data pada jaringan. Adapun secara umum, alur kerja
pada algoritma ANN dapat dilihat pada Gambar 3 berikut ini :

1038
Perbandingan Metode SVM & ANN pada Klasifikasi Gizi Balita……………………...………………(Harifa Hananti dan Kartika Sari)

Gambar 3. Alur Perhitungan Output pada ANN

Langkah-langkah Analisis

Analisis yang dilakukan dalam penelitian ini menggunakan software Rapid Miner Studio, Tahapan awal
dalam penelitian ini adalah melakukan PreProcessing Data, dalam proses PreProcessing Data ini
menggunakan variabel tambahan yaitu “ID” dengan d1-d72, variabel status Gizi sebagai “label”, dan variabel
lainnya sebagai atribut. Tahapan selanjutnya adalah “Implementasi dan Evaluasi data”, pada tahap ini hasil
dari preprocessing data kemudian di implemetasikan kedalam kedua algoritma. Pada Neural Network,
parameter yang digunakan adalah learning rate dan momentum dengan terdapat 1 hidden layer. Sedangkan
pada SVM parameter yang digunakan adalah kernel linear. Kedua model menggunakan 10-fold cross
validation, sehingga akan diperoleh tingkat akurasi dari metode algoritma untuk memperoleh model yang
akurat dan optimal dalam melakukan pengklasifikasian terhadap gizi balita.

Data dan Sumber Data

Data yang digunakan pada penelitian ini adalah data sekunder, yang berasal dari Puskesmas Salissingan
Provinsi Sulawesi Barat pada tahun 2018. Data yang digunakan ada sebanyak 72 dan atribut variabel yang
digunakan ada sebanyak empat, yaitu: jenis kelamin, pendidikan orang tua, pekerjaan orang tua, dan status
gizi, seperti yang terdapat pada Tabel.1.
Tabel.1. Atribut Variabel
Atribut Variabel Kategori
Jenis Kelamin Pria 1
Wanita 2
Pendidikan Orang Tua SD 0
SLTP 1
Pekerjaan Orang Tua Wiraswasta 0
Nelayan 1
Status Gizi Gizi Baik 1
Gizi Kurang 2

HASIL DAN PEMBAHASAN

Penelitian ini dilakukan pada 72 balita. Pada tabel 2 terlihat bahwa masih terdapat 4 balita yang berstatus
gizi buruk (gizi kurang) pada Puskesmas Silissingan Provinsi Sulawesi Barat, sedangkan gizi baik sebanyak
68 balita.
Tabel.2. Deskripsi Data
Atribut Variabel Kategori Frekuensi
Jenis Kelamin Pria 35
Wanita 37
Pendidikan Orang Tua SD 33
SLTP 39
Pekerjaan Orang Tua Wiraswasta 8
Nelayan 64
Status Gizi Gizi Baik 68
Gizi Kurang 4

1039
 Seminar Nasional Official Statistics 2021

Artificial Neural Network (ANN)

Tahap awal dalam pemodelan ANN pada pengkasifikasian gizi balita di Puskesmas Salissingan adalah
melakukan PreProcessing Data, yang diawali dengan import data excel ke dalam Rapid Miner menggunakan
operator Read Excel.

Gambar 4. PreProcessing Data ANN

Setelah melakukan PreProcessing Data Tahapan selanjutnya dalam pengklasifikasian gizi balita di
Puskesmas Salissingan adalah “Implementasi dan Evaluasi data”, pada tahap ini hasil dari preprocessing data
kemudian di implemetasikan kedalam algoritma ANN.

Gambar 5. Model Algoritma ANN

Pada metode ini parameter yang digunakan adalah learning rate dengan nilai terendah yang digunakan
adalah 0. 01, tertinggi 0.9, dan steps 5 dengan scale linier. Selanjutnya metode ANN ini juga menggunakan
parameter momentum, dengan nilai terendah 0.1, tertinggi 0.9, dan steps 5 dengan scale linier. Proses
parameter tersebut diakukan pada langkah Optimized Parameter, setelah melakukan import data, pemilihan
variabel dan atribut, validation, dan Optimized Paramaters (Grid). Sehingga secara ringkas hasil pengukuran
ketepatan klasifikasi ANN output Rapid Miner Studio dapat dilihat pada Tabel.3.
Tabel.3 Ketepatan Klasifikasi ANN
Ukuran Ketepatan Klasifikasi ANN
Accuracy 94.82%
Precision 51.00%
Recall 55.09%
AUC 0.910

Berdasarkan Tabel 3, menunjukkan bahwa tingkat akurasi untuk metode ANN sangat baik yaitu sebesar
94.82%. Untuk nilai precision dan recall memiliki nilai yang cukup, yaitu secara berurutan sebesar 51.00%
dan 55.09%. Ini artinya ketepatan klasifikasi pada status gizi balita di Puskesmas Salissingan akan tepat namun
masih dapat terjadi kesalahan klasifikasi. Selanjutnya, nilai AUC sebesar 0.910 yang menunjukkan bahwa
klasifikasi sangat baik. Oleh karena itu, berdasarkan keterangan di atas dapat disimpulkan bahwa metode ANN
dapat memberikan tingkat performansi yang sangat baik pada pengklasifikasian status gizi balita di Puskesmas
Salissingan, ini artinya pengklasifikasian dapat memprediksi kelas status gizi baik dan status gizi kurang di
Puskesmas Salissingan Sulawesi Barat.

1040
Perbandingan Metode SVM & ANN pada Klasifikasi Gizi Balita……………………...………………(Harifa Hananti dan Kartika Sari)

Support Vector Machine (SVM)

Langkah awal dalam pemodelan SVM pada pengklasifikasian gizi balita di Puskesmas Salissingan
Sulawesi Barat adalah sama dengan metode ANN yaitu melakukan PreProcessing Data, yang diawali dengan
import data excel ke dalam Rapid Miner menggunakan operator Read Excel.

Gambar 6. PreProcessing Data SVM

Sama halnya dengan metode ANN, maka selanjutnya pada pengklasifikasian gizi balita di Puskesmas
Salissingan Sulawesi Barat adalah melakukan PreProcessing Data, yaitu “Implementasi dan Evaluasi data”,
pada tahap ini hasil dari preprocessing data kemudian di implemetasikan kedalam algoritma SVM.

Gambar 7. Model Algoritma SVM

Metode SVM ini hanya menggunakan kernel_ linier, Optimize Parameter C, dengan rentang nilai 0.2-
100, untuk steps=10, dan scale legacy. Tahap tersebut dilakukan pada saat optimized setelah melakukan import
data, Optimized Parameters (Grid), Validation, dan classification. Sehingga secara ringkas hasil pengukuran
ketepatan klasifikasi SVM output Rapid Miner Studio dapat dilihat pada Tabel.4.
Tabel.4 Ketepatan Klasifikasi SVM
Ukuran Ketepatan Klasifikasi SVM
Accuracy 94.46%
Precision 46.08%
Recall 50.59%
AUC 0.900

Berdasarkan Tabel 4, menunjukkan bahwa tingkat akurasi untuk metode SVM sangat baik yaitu sebesar
94.46%. Untuk nilai precision dan recall memiliki nilai cukup, yaitu secara berurutan sebesar 46.08% dan
50.59%. Ini artinya ketepatan klasifikasi status gizi balita di Puskesmas Salissingan Provinsi Sulawesi Barat
akan tepat namun masih dapat terjadi kesalahan klasifikasi. Selanjutnya, nilai AUC sebesar 0.900 yang
menunjukkan bahwa klasifikasi sangat baik. Oleh karena itu, berdasarkan keterangan di atas dapat disimpulkan
bahwa metode SVM dapat memberikan tingkat performansi yang sangat baik pada pengklasifikasian status
gizi balita di Puskesmas Salissingan, ini artinya pengklasifikasian dapat memprediksi kelas status gizi baik
dan status gizi kurang di Puskesmas Salissingan Sulawesi Barat.

1041
 Seminar Nasional Official Statistics 2021

Berikut secara keseluruhan pada Tabel. 5 ditampilkan hasil accuracy, precision, recall, dan AUC yang
telah diperoleh dari kedua metode, yaitu ANN dan SVM pada pengklasifikasian gizi balita di Puskesmas
Salissingan Sulawesi Barat.
Tabel.5 Pengklasifikasian Gizi Balita
Metode Accuracy Precision Recall AUC
Artificial Neural Network (ANN) 94,82% 51.00% 55.09% 0.910
Support Vector Machine (SVM) 94,46% 46.08% 50.59% 0.900

Dari Tabel.5 diketahui bahwa nilai akurasi yang berarti ketepatan dalam pengklasifikasian status gizi
balita di salah satu puskesmas (Salissingan) Provinsi Sulawesi Barat memiliki nilai yang sangat baik untuk
kedua metode. Sehingga kedua metode dapat menggambarkan pengklasifikasikan status gizi di Provinsi
Sulawesi Barat. Dimana tingkat akurasi pada metode ANN lebih tinggi yaitu sebesar 94,82% jika
dibandingankan dengan metode SVM sebesar 94,46%. Untuk nilai Precision metode ANN memiliki nilai yang
lebih tinggi, yaitu sebesar 51.00% dibandingkan dengan metode SVM, yang hanya sebesar 46.08%.
Sedangkan Recall metode ANN juga memiliki nilai yang lebih tinggi, yaitu sebesar 55,59% dibandingkan
metode SVM nilai Recall nya sebesar 55.09%.
Selain itu, untuk untuk menunjukkan apakah klasifikasi salah, buruk, cukup, baik, dan sangat baik dapat
dilihat pada nilai AUC. Kedua metode juga memiliki nilai AUC yang sangat baik, yaitu ANN sebesar 0. 910
dan SVM sebesar 0.900. Sehingga dapat disimpulkan bahwa metode ANN adalah metode yang terbaik pada
pengklasifikasian gizi balita (gizi baik dan gizi kurang) di Puskesmas Salissingan Provinsi Sulawesi Barat, hal
ini dapat dilihat dari masing-masing nilai (accuracy, precision, recall, dan AUC ) pada pengklasifikasian
menggunakan metode ANN lebih tinggi dibandingkan SVM. yang telah diperolah. Ini artinya
pengklasifikasian gizi balita menggunakan metode ANN pada Puskesmas Salissingan merupakan metode
terbaik dalam memprediksi kelas status gizi baik dan status gizi kurang di Puskesmas Salissingan Sulawesi
Barat.

KESIMPULAN

Berdasarkan analisis yang telah dilakukan, dapat disimpulkan bahwa metode metode support vector
machine (SVM) dan artificial neural network (ANN) dapat menggambarkan pengklasifikasian gizi balita di
Puskesmas Salissingan Provinsi Sulawesi Barat berdasarkan status gizi baik & gizi kurang. Untuk ukuran
ketepatan klasifikasi pada metode ANN, yaitu accuracy sebesar 94,82%, precision sebesar 51.00%, recall
sebesar 51.09%, dan AUC sebesar 0.910, sedangkan pada metode SVM, yaitu accuracy sebesar 94,46%,
precision sebesar 46.08%, recall sebesar 50.59%, dan AUC sebesar 0.900. Dari hasil ukuran ketepatan
klasifikasi tersebut, maka dapat disimpulkan bahwa metode ANN merupakan metode yang terbaik pada
pengklasifikasian gizi balita di Puskesmas Salissingan Provinsi Sulawesi Barat. Hal ini dapat dilihat dari
masing-masing ukuran ketepatan pada metode ANN lebih besar dibandingkan dengan metode SVM.

DAFTAR PUSTAKA

Burges, C. (1998). A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge
Discovery, 2, 2.
Badan Pusat Statistik. (2018). Prevelensi Balita Kekurangan Gizi Menurut Provinsi di Indonesia (PSG) 2016-
2018. BPS
Emerson, E. (2005). Underweight, obesity and exercise among adults with intellectual disabilities in supported
accommodation in Northern England. Journal of Intellectual Disability Research, 49(2): 134–143.
Fitri, R.K., Fatimah, S., dan Rahfiludin, M.Z. (2017). Analisis Faktor-Faktor yang Mempengaruhi Status Gizi
Balita Suku Anak Dalam (SAD). Jurnal Kesehatan Masyarakat Vol. 5 No. 4, ISSN: 2356-3346.
http://ejournal3.undip.ac.id/index.php/jkm.
Gorunescu, F. (2011). Data Mining; Concept, Models, and Techniques. Verlag Berlin Heidelberg: Springer.
Han, Jiawei, Micheline Kamber dan Jian Pei. (2012). Data Mining: Concepts and Techniques 3rd Edition.
Massachusetts: Elsevier Inc.
Khademi, F., Jamal, S. M., Deshpande, N., & Londhe,S. (2016). Predicting strength of recycled aggregate
concrete using Artificial Neural Network, Adaptive Neuro-Fuzzy Inference System and Multiple Linear
Regression. International Journal of Sustainable Built Environment, 5(2).
https://doi.org/10.1016/j.ijsbe.2016.09.003.

1042
Perbandingan Metode SVM & ANN pada Klasifikasi Gizi Balita……………………...………………(Harifa Hananti dan Kartika Sari)

Laksana, T.G. (2013). Perbandingan Algoritma Neural Nerwork (NN) dan Support Vector Machines (SVM)
dalam Peramalan Penduduk Miskin di Indonesia. Jurnal Online ICT STMIK IKMI – Vol. 10-No. 1.
Mardi, Yuli (2014) Analisa Data Rekam Medis untuk Menentukan Penyakit Terbanyak Berdasarkan
International Classification Of Disease (ICD) Menggunakan Decision Tree C4.5 (Studi Kasus : RSU.
CBMC Padang). UPI YPTK Padang.
Nisbet, Robert, John Elder, dan Gary Miner. (2009). Handbook of Statistical Analysis and Data Mining
Applications. California: Elsevier Inc.
Rapid Miner. (2014). Rapidminer Studio Manual. Manual-Rapidminer Documentation.
https://docs.rapidminer.com
Sihombing, P.R. dan Hendarsin, O.P. (2017). Perbandingan Metode Artificial Neural Network (ANN) dan
Support Vector Machine (SVM) untuk Klasifikasi Kinerja Perusahaan Daerah Air Minum (PDAM) di
Indonesia. Jurnal Ilmu Komputer VOL. XIII No. 1 : p-ISSN: 1979-5661 e-ISSN: 2622-321X.
Tjukami, T., Prihatini, S., dan Hermina. (2011). Faktor Pembeda Prevalensi Gizi Kurang dan Buruk pada
Balita di Daerah Tidak Miskin. Bul. Penelit. Kesehat, Vol. 39, No.2, 2011: 52 – 61.

1043