Klasifikasi Status Gizi Balita

menggunakan
NaÏve Bayes Classification
Project Data Mining
 Dataset

Deskripsi algoritma
01 408 Data 03 Naïve Bayes
Dijelaskan instance Classification
dengan 5 atribut

Nama Data hilang

Posyandu Ngudi Luhut 02 Tidak ada
04
Dataset
 Penjelasan

Model pembelajaran Parameter

Menetukan penentuan Jenis kelamin, umur, tinggi
badan, berat badan dan gaji
status gizi balita
orang tua

algoritma rujukan
Keputusan Menteri Kesehatan Republik
Indonesia Nomor:
Naïve Bayes Clasification 1995/Menkes/SK/XII/2010 tentang Standar
Antropometri Penilaian Status Gizi Anak.
 Data Prepocessing

01 Proses pembersihan/ membersihkan data yang

Data Cleaning Cleaning variabelnya tidak memenuhi
dalam perhitungan.

Data
bebas
cleaning
 Data Awal

no Umur(bul JK BB(kg TB(c Gaji(ribu) Status Gizi

an) ) m)
1 11 L 12,2 90 2200000 Lebih 11 27 P 10,2 89 2300000 Baik
12 60 P 25 120 2500000 Baik
2 23 L 11,5 111 3000000 Baik 13 45 L 15,4 115 3000000 Baik
3 35 P 11 110 2100000 Baik 14 29 L 10 87 2500000 Kurang
4 17 L 10,5 87 2100000 Baik 15 18 L 13,8 100 2200000 Lebih
16 14 L 13,6 99 2200000 Lebih
5 20 L 9 85 2500000 Kurang
17 24 L 9,1 86 2500000 Kurang
6 7 L 9,3 74 1000000 Baik
18 7 P 7,8 75 1200000 Baik
7 4 P 6,8 67 1200000 Baik
19 39 P 12,2 104 1500000 Baik
8 1 L 4 55 1000000 Baik
20 57 P 14,8 114 3200000 Baik
9 42 P 12,6 112 3200000 Baik
21 34 P 12,1 100 1200000 Baik
10 30 P 11,3 103 1500000 Baik
 Data Prepocessing

01
Proses
perubahan data
Transformasi berdasarkan
Data kategori tertentu
sesuai data
mining
 Transformasi Data
Umur <= 16 Umur dibawah 16 bulan

Umur 17-32 Umur diantara 17 sampai 32 bulan

Umur > 32 Umur diatas 32 bulan

BB <= 10 Berat badan dibawah 10kg

Berat badan diantara 11kg sampai

BB 11-20 20kg
 Transformasi Data
BB > 20 Berat badan diatas 20kg

Tb 51-100 Tinggi badan antara 51cm sampai 100cm

TB >100 Tinggi badan diatas 100cm

Gaji <= Penghasilan dibawah 1,5 juta

1.500.000

Gaji 1.500.000-
3.000.000 Penghasilan diantara 1,5 juta sampai 3 juta

Gaji > 3.000.000 Penghasilan diatas 3 juta

 Hasil Transformasi Data
no Umur(bulan) JK BB(kg) TB(cm) Gaji(ribu) Status gizi

        1.500.000-  
1
<= 16 L 11-20 51-100 3.000.000 Lebih

        1.500.000-  
2
17-32 L 11-20 >100 3.000.000 Baik

        1.500.000-  
3
> 32 P 11-20 >100 3.000.000 Baik

        1.500.000-  
4
17-32 L <= 10 51-100 3.000.000 Baik

        1.500.000-  
5
17-32 L <= 10 51-100 3.000.000 Kurang

6 <= 16 L <= 10 51-100 <=1.500.000 Baik

7 <= 16 P <= 10 51-100 <=1.500.000 Baik

8 <= 16 L <= 10 51-100 <=1.500.000 Baik

9 > 32 P 11-20 >100 >3.000.000 Baik

10 17-32 P 11-20 >100 <=1.500.000 Baik

 Data lanjutan
        1.500.000-  
11
17-32 P <= 10 51-100 3.000.000 Baik
        1.500.000-  
12
> 32 P >20 >100 3.000.000 Baik
        1.500.000-  
13
> 32 L 11-20 >100 3.000.000 Baik
        1.500.000-  
14
17-32 L <= 10 51-100 3.000.000 Kurang
        1.500.000-  
15
17-32 L 11-20 51-100 3.000.000 Lebih
        1.500.000-  
16
<= 16 L 11-20 51-100 3.000.000 Lebih
        1.500.000-  
17
17-32 L <= 10 51-100 3.000.000 Kurang

18 <= 16 P <= 10 51-100 <=1.500.000 Baik

19 > 32 P 11-20 >100 <=1.500.000 Baik

20 > 32 P 11-20 >100 >3.000.000 Baik

21 > 32 P 11-20 51-100 <=1.500.000 ???

 Pembahasan

Dari tabel transformasi

Data total terdapat 21 data balita 21 20
data data

20 data yang
Training digunakan

Perincian klasifikasi
Umur: 34 bulan (> 32)
Jenis Kelamin : Perempuan Berat Badan : 12,1 (11-20)
Tinggi Badan : 100 (51-100)
Gaji: 1200000 (<=1.500.000)
 Tahapan algoritma

01 02 03 04

Menghitung Jumlah
Mengalikan semua Membandingkan
Menghitung Jumlah Kasus yang sama
hasil variabel setiap setiap class dengan
Class/ Label dengan Class yang
klasifikasi klasifikasi
sama
Menghitung Jumlah Class/ Label

P(Y=Baik) = 14/20

P(Y=Kurang) = 3/20

P(Y=Lebih) = 3/20
 Menghitung Jumlah Kasus yang sama dengan
Class yang sama
P(Jenis Kelamin = Perempuan| P(Tinggi Badan = 51-100|
Y=Baik) = 9/14 P(Jenis Kelamin
Y=Baik) = 6/14 P(Tinggi
= Perempuan| Y=Kurang) = 0/3
Badan = 51-100|
P(Jenis Kelamin = Perempuan|
Y=Kurang) = 3/3
Y=Lebih) = 0/3
P(Tinggi Badan = 51-
P(Umur = > 32| Y=Baik) 100| Y=Lebih) = 3/3
= 6/14 P(Umur = >  
32| Y=Kurang) =
P(Penghasilan = <=1.500.000| Y=Baik) =
0/3 P(Umur = >
6/14 P(Penghasilan = <=1.500.000|
32| Y=Lebih) =
Y=Kurang) = 0/3 P(Penghasilan =
0/3
  <=1.500.000| Y=Lebih) = 0/3
 Mengalikan semua hasil variabel setiap klasifikasi

P(Jenis Kelamin = Perempuan|Y=Baik)

*P(Umur => 32| Y=Baik)* P(TinggiBadan

= 51-100|Y=Baik)* P(Penghasilan =
<=1.500.000| Y=Baik)
P(Jenis Kelamin = Perempuan|Y=Kurang)*
= 9/14 * 6/14 * 6/14 * 6/14
P(Umur = > 32| Y=Kurang) *P(Tinggi Badan = 51-
= 0,642 * 0,428 * 0,428 * 0,428
100|Y=Kurang)*P(Penghasilan = <=1.500.000|Y=Kurang)
= 0,050
= 0/3 * 0/3 * 3/3 * 0/3

=0
 Membandingkan setiap class dengan klasifikasi

Nilai probabilitas

kelas (P|Baik) kelas (P|kurang)

O,O50 0
 Kesimpulan

Hasil dari penggunaan Metode Naive Bayes

Classification untuk klasifikasi status gizi balita
memiliki akurasi yang baik dan Pengujian pada
perbandingan data training dan data testing
sebesar

8:20
akurasi tertinggi dengan
95.121%.