Analisis Perbandingan Kinerja RNN, LSTM, Naive Bayes Gaussian dalam Klasifikasi Deteksi Stunting Toddler

Sujayanti, Forentina Kerti Pratiwi (2025) Analisis Perbandingan Kinerja RNN, LSTM, Naive Bayes Gaussian dalam Klasifikasi Deteksi Stunting Toddler. Undergraduate thesis, Universitas Pembangunan Nasional Veteran Jawa Timur.

	Text (Cover) 20081010233_Cover.pdf Download (2MB)
	Text (Bab 1) 20081010233_BAB 1.pdf Download (353kB)
	Text (Bab 2) 20081010233_BAB 2.pdf Restricted to Registered users only until 2028. Download (770kB)
	Text (Bab 3) 20081010233_BAB 3.pdf Restricted to Registered users only until 2028. Download (746kB)
	Text (Bab 4) 20081010233_BAB 4.pdf Restricted to Registered users only until 2028. Download (1MB)
	Text (Bab 5) 20081010233_BAB 5.pdf Download (336kB)
	Text (Daftar Pustaka) 20081010233_Daftar Pustaka.pdf Download (338kB)
	Text (Lampiran) 20081010233_Lampiran.pdf Restricted to Registered users only until 2028. Download (670kB)

Abstract

Stunting pada balita adalah masalah kesehatan serius yang berdampak jangka panjang pada pertumbuhan fisik dan perkembangan kognitif anak, sehingga deteksi dini menjadi penting. Penelitian ini membandingkan kinerja algoritma Recurrent Neural Network (RNN), Long Short Term Memory (LSTM), dan Naive Bayes dalam klasifikasi deteksi stunting pada balita menggunakan dataset yang mencakup jenis kelamin, umur, berat badan lahir, berat badan, panjang badan pemberian asi, dan status gizi. Dataset yang digunakan diambil dari platform Kaggle dan dibagi menjadi tiga bagian: 70% untuk pelatihan, 20% untuk validasi, dan 10% untuk pengujian. Yang bertujuan evaluasi model yang akurat dan optimal. RNN memiliki tiga lapisan tersembunyi, sedangkan LSTM memiliki empat lapisan tersembunyi, masing-masing dengan 64 unit dan fungsi aktivasi tanh untuk pola temporal. Keduanya memakai ADAM optimizer rate 0.001, sedangkan Gaussian Naive Bayes hanya menggunakan pendekatan probabilistik sederhana. Evaluasi dilakukan dengan menggunakan metrik akurasi dan grafik Root Mean Square Error (RMSE) untuk menilai kemampuan generalisasi dari masing-masing model. Hasil penelitian menunjukkan bahwa model LSTM memiliki kinerja terbaik dengan akurasi sebesar 90%, diikuti oleh model RNN dengan akurasi 89%. Meskipun memiliki performa tinggi, grafik RMSE menunjukkan tanda-tanda overfitting pada kedua model setelah sejumlah epoch tertentu. Model Gaussian Naive Bayes mencapai akurasi 72%, yang lebih rendah dibandingkan model berbasis deep learning yang lebih kompleks, tetapi memiliki performa stabil dan tidak ada gejala overfitting. Hasil ini mengindikasikan bahwa model deep learning seperti LSTM dan RNN sangat efektif dalam menangkap pola data temporal yang kompleks, meskipun memerlukan strategi regulasi tambahan untuk mengurangi overfitting. Di sisi lain, model Gaussian Naive Bayes, meskipun lebih sederhana, dapat menjadi pilihan yang layak untuk implementasi awal atau untuk dataset dengan pola yang kurang kompleks. Sehingga dapat mendukung upaya intervensi dini terhadap balita yang berisiko terkena stunting.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Via, Yisti Vita	NIDN6675217	yistivia.if@upnjatim.ac.id
Thesis advisor	Al Haromainy, M. Muharrom	NIDN0701069503	muhammad.muharrom.if@upnjatim.ac.id

Subjects:

Q Science > Q Science (General)
T Technology > T Technology (General)

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

Forentina Kerti Pratiwi Sujayanti

Date Deposited:

05 Feb 2025 01:53

Last Modified:

05 Feb 2025 01:53

URI:

https://repository.upnjatim.ac.id/id/eprint/34610