Pengembangan Aplikasi Website untuk Klasifikasi Status Gizi Balita Menggunakan Integrasi SMOTE pada Algoritma Naïve Bayes

Damar Kuncoro Adji; Taufik Hidayat; Djamaludin Djamaludin

doi:10.35760/ik.2025.v30i2.14845

Pengembangan Aplikasi Website untuk Klasifikasi Status Gizi Balita Menggunakan Integrasi SMOTE pada Algoritma Naïve Bayes

Damar Kuncoro Adji
Universitas Islam Syekh Yusuf
Indonesia

Taufik Hidayat
orcid

Universitas Islam Syekh Yusuf
Indonesia

Djamaludin Djamaludin
Universitas Islam Syekh Yusuf
Indonesia

DOI: http://dx.doi.org/10.35760/ik.2025.v30i2.14845

Article Submitted: 28 July 2025

Article Published: 27 September 2025

Abstract

Status gizi balita menjadi indikator krusial dalam menilai kondisi kesehatan dan pertumbuhan anak, sehingga penelitian ini bertujuan mengembangkan sistem klasifikasi status gizi balita berbasis machine learning dengan menggunakan data dari Puskesmas Rajeg sebanyak 6062 entri. Proses diawali dengan pemrosesan dataset dalam format .csv, dilanjutkan dengan pembersihan data, pemilihan atribut penting, penanganan data hilang, penghapusan outlier menggunakan metode interquartile range (IQR), dan penghilangan duplikasi. Selanjutnya, data diolah melalui label encoding, normalisasi MinMaxScaler, dan dibagi menjadi data latih dan data uji dengan rasio 70:30. Untuk menangani ketidakseimbangan kelas pada atribut target (BB/TB), digunakan metode SMOTE agar distribusi kelas menjadi seimbang. Model klasifikasi yang digunakan adalah Naïve Bayes dan dievaluasi menggunakan metrik akurasi, presisi, recall, serta F1-score. Hasil menunjukkan bahwa model tanpa SMOTE memiliki akurasi lebih tinggi (89%) dibandingkan model dengan SMOTE (63%), meskipun model dengan SMOTE lebih baik dalam mengenali kelas minoritas. Sistem ini diimplementasikan dalam bentuk aplikasi website prediksi status gizi yang interaktif dan mudah digunakan, sehingga memudahkan tenaga kesehatan dalam menginput data, mencari informasi, serta memantau status gizi balita secara efisien.

Keywords

Machine Learning, Naive Bayes, SMOTE, Gizi Balita, Klasifikasi.

References

2023 World Health Organization, “Level and trend in child malnutrition,” World Heal. Organ., p. 4, 2023, [Online]. Available: https://www.who.int/publications/i/item/9789240073791

2023 Kementerian Kesehatan RI, Laporan Ski Tematik 2023. 2023.

F. Ongko, C. Willyana, M. Liman, and Z. Atzmardina, “Kasus Gizi Buruk pada An. MFA dengan Pendekatan Kedokteran Keluarga di Wilayah Kerja Puskesmas Gembong, Kecamatan Balaraja, Kabupaten Tangerang, Provinsi Banten Periode: 10 November 2022 – 12 Desember 2022,” Malahayati Nurs. J., vol. 5, no. 8, pp. 2518–2537, 2023, doi: 10.33024/mnj.v5i8.9311.

R. R. R. Arisandi, B. Warsito, and A. R. Hakim, “Aplikasi Naive Bayes Classifier (NBC) Pada Klasifikasi Status Gizi Balita Stunting Dengan Pengujian K-Fold Cross Validation,” J. Gaussian, vol. 11, no. 1, pp. 130–139, 2022, doi: 10.14710/j.gauss.v11i1.33991.

A. Rizal, D. Rahmawati, and S. A. Murad, “Perancangan Aplikasi Informasi Gizi Balita Pada Posyandu Edelweis Serpong 2 Berbasis Android Menggunakan Metode Extreme Programming,” vol. 12, no. 1, pp. 102–114, 2024.

T. Hidayat, M. J. Siddiq, S. Jayasri, A. Suhendi, and R. Rizky, “Analisis Sentimen Opini Masyarakat Terhadap Pilkada 2024 Di Media Sosial Twitter Menggunakan Algoritma Naïve Bayes,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 2, pp. 609–622, 2025, doi: 10.23960/jitet.v13i2.6280.

R. Rachman and R. N. Handayani, “Klasifikasi Algoritma Naive Bayes Dalam Memprediksi Tingkat Kelancaran Pembayaran Sewa Teras UMKM,” J. Inform., vol. 8, no. 2, pp. 111–122, 2021, doi: 10.31294/ji.v8i2.10494.

R. A. Nurdian, Mujib Ridwan, and Ahmad Yusuf, “Komparasi Metode SMOTE dan ADASYN dalam Meningkatkan Performa Klasifikasi Herregistrasi Mahasiswa Baru,” J. Tek. Inform. dan Sist. Inf., vol. 8, no. 1, pp. 24–32, 2022, doi: 10.28932/jutisi.v8i1.4004.

D. Varma, A. Nehansh, and P. Swathy, “Data Preprocessing Toolkit : An Approach to Automate Data Preprocessing,” Interantional J. Sci. Res. Eng. Manag., vol. 07, no. 03, pp. 1–5, 2023, doi: 10.55041/ijsrem18270.

B. Setio and P. Prasetyaningrum, “Penerapan Data Mining Dalam Mengelompokkan Kunjungan Wisatawan Di Kota Yogyakarta Menggunakan Metode K-Means,” J. Comput. Sci. Technol., vol. 1, no. 1, pp. 27–32, 2021, doi: 10.54840/jcstech.v1i1.9.

K. H. Erian, P. H. Regalado, and J. M. Conrad, “Missing data handling for machine learning models,” IAES Int. J. Robot. Autom., vol. 10, no. 2, p. 123, 2021, doi: 10.11591/ijra.v10i2.pp123-132.

C. Nas, “Data Mining Prediksi Minat Calon Mahasiswa Memilih Perguruan Tinggi Menggunakan Algoritma C4.5,” J. Manaj. Inform., vol. 11, no. 2, pp. 131–145, 2021, doi: 10.34010/jamika.v11i2.5506.

A. Nugroho and E. Rilvani, “Penerapan Metode Oversampling SMOTE Pada Algoritma Random Forest Untuk Prediksi Kebangkrutan Perusahaan,” Techno.Com, vol. 22, no. 1, pp. 207–214, 2023, doi: 10.33633/tc.v22i1.7527.

M. P. Pulungan, A. Purnomo, and A. Kurniasih, “Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Kepribadian MBTI Menggunakan Naive Bayes Classifier,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 5, pp. 1033–1042, 2024, doi: 10.25126/jtiik.2024117989.

H. Hafizan and A. N. Putri, “Penerapan Metode Klasifikasi Decision Tree Pada Status Gizi Balita Di Kabupaten Simalungun,” KESATRIA J. Penerapan Sist. Inf. (Komputer Manajemen), vol. 1, no. 2, pp. 68–72, 2020, doi: 10.30645/kesatria.v1i2.23.

H. D. Wijaya and S. Dwiasnati, “Implementasi Data Mining dengan Algoritma Naïve Bayes pada Penjualan Obat,” J. Inform., vol. 7, no. 1, pp. 1–7, 2020, doi: 10.31311/ji.v7i1.6203.

F. Fiddin, M. Y. Syahbarna, and M. Ridwan, “Penggunaan Supervised Learning untuk Prediksi Validitas Ulasan Negatif Aplikasi Tokopedia Berdasarkan Pengalaman Pengguna Ahli,” vol. 23, pp. 409–417, 2024, doi: https://doi.org/10.53513/jis.v23i2.10030.

T. D. Putra, E. Utami, and M. P. Kurniawan, “Analisis Sentimen Pemilu 2024 dengan Naive Bayes Berbasis Particle Swarm Optimization (PSO),” Explore, vol. 13, no. 1, pp. 1–5, 2023, doi: 10.35200/ex.v11i2.13.

D. Valero-Carreras, J. Alcaraz, and M. Landete, “Comparing two SVM models through different metrics based on the confusion matrix,” Comput. Oper. Res., vol. 152, no. December 2022, p. 106131, 2023, doi: 10.1016/j.cor.2022.106131.

A. W. Septyanto and H. L. Hariyanto, “Perbandingan Teknik Klasifikasi Catatan Medis untuk Indeks Antropometri Status Gizi Balita,” J. Teknol. Dan Sist. Inf. Bisnis, vol. 6, no. 1, pp. 229–235, 2024, doi: 10.47233/jteksis.v6i1.1064.