EUVIMEDEUVIMED entdecken
Crossref

IMPLEMENTASI MACHINE LEARNING DENGAN MODEL CASE BASED REASONING DALAM MENDIAGNOSA GIZI BURUK PADA ANAK

Mutammimul Ula, Ananda Faridhatul Ulva, Mauliza Mauliza

Jurnal Informatika Kaputama (JIK) · 01.07.2021 · 5 (2) · 333-339

DOI: 10.1234/jik.v5i2.570 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Jurnal Informatika Kaputama (JIK), erschienen am 01.07.2021. Verfasst von Mutammimul Ula und 2 weiteren Autor:innen. Die Arbeit wurde bisher 10-mal zitiert (Crossref).

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Upaya pencegahan permasalahan stunting kepada masyarakat khususnya pada ibu-ibu dengan pemberian masukan khususnya masyarakat aceh utara akan pentingnya pemenuhan gizi pada balita agar terhindat dari stunting. Kekurangan gizi menjadi pokok permasalahan yang dialami balita di Indonesia. Peran Rumah Sakit dan Dinas Kesehatan diperlukan dalam melihat jumlah gizi buruk pada balita khususnya di Aceh. Dalam penelitian ini penting dilakukan implementasi machine learning dengan model case based reasoning dalam mendiagnosa gizi buruk pada anak dalam melihat pengelompokkan balita yang teridentifikasi stunting atau tidak dengan menggunakan teknologi system pakar Case Based Reasoning yang dimodelkan dalam dalam mesin learning yang dilihat dari data riwayat gizi yang kemudian dimasukkan kedalam model pengujian Machine Learning dalam mendeteksi gizi buruk pada balita. Hal ini dapat mengurangi stunting yang ada di setiap wilayah, gampong dan kecamatan dari tiap Puskesmas yang ada di kabupaten aceh utara. Tujuan Penelitian ini adalah Untuk mengetahui pendeteksian gizi buruk balita pada Rumah Sakit Cut Meutia Kab. Aceh Utara. Hasil penelitian ini adalah dapat mendiagnosa gizi buruk pada balita dengan menggunakan metode casedbase reasoning dan hasil sistem yang dibangun dapat digunakan sebagai acuan untuk memantau tumbuh kembangnya bayi/balita. adapun variabel yang dimasukkan adalah nama, umur balita, jenis kelamin, tinggi badan dan berat badan, kemudian machine learning mencari kasus yang terdekat untuk melihat nilai yang paling mendekati dalam problem stunting. hasil nya adalah Nilai nya adalah Similarity (x, K001) 1,00, Similarity (x, K008), 0,66Similarity (x, K010), 0,64.

Schlagwörter

case-based reasoningchild malnutritionstuntingearly childhood nutritionexpert systemssimilarity measuresnutritional historychild growth monitoringAceh Utara

Zitieren

APA

Ula, M., Ulva, A. F., & Mauliza, M. (2021). IMPLEMENTASI MACHINE LEARNING DENGAN MODEL CASE BASED REASONING DALAM MENDIAGNOSA GIZI BURUK PADA ANAK. Jurnal Informatika Kaputama (JIK), 5(2), 333-339. https://doi.org/10.1234/jik.v5i2.570

Vancouver

Ula M, Ulva AF, Mauliza M. IMPLEMENTASI MACHINE LEARNING DENGAN MODEL CASE BASED REASONING DALAM MENDIAGNOSA GIZI BURUK PADA ANAK. Jurnal Informatika Kaputama (JIK). 2021;5(2):333-339. doi:10.1234/jik.v5i2.570

BibTeX
@article{Ula2021,
  author = {Ula, Mutammimul and Ulva, Ananda Faridhatul and Mauliza, Mauliza},
  title = {IMPLEMENTASI MACHINE LEARNING DENGAN MODEL CASE BASED REASONING DALAM MENDIAGNOSA GIZI BURUK PADA ANAK},
  journal = {Jurnal Informatika Kaputama (JIK)},
  year = {2021},
  volume = {5},
  number = {2},
  pages = {333--339},
  doi = {10.1234/jik.v5i2.570}
}
Kostenlos starten →