Analisis Perbandingan Metode Naive Bayes dan Support Vector Machine (SVM) dalam Klasifikasi Status Gizi Balita Berisiko Stunting

Abstract

Penelitian ini berjudul “Analisis Perbandingan Metode Naive Bayes dan Support Vector Machine (SVM) dalam Klasifikasi Status Gizi Balita Berisiko Stunting”. Penelitian ini dilatarbelakangi oleh tingginya prevalensi stunting pada balita di Indonesia, termasuk di Kecamatan Sumbersari, Kabupaten Jember. Stunting merupakan masalah gizi kronis yang berdampak pada pertumbuhan fisik dan kognitif anak. Untuk mendukung upaya pemerintah dalam mengatasi permasalahan tersebut, penelitian ini bertujuan untuk membandingkan performa dua algoritma data mining, yaitu Naïve Bayes dan Support Vector Machine (SVM), dalam mengklasifikasikan status gizi balita berdasarkan data yang diperoleh dari Puskesmas Sumbersari tahun 2023. Penelitian menggunakan pendekatan kuantitatif-deskriptif. Tahapan penelitian meliputi studi literatur, pengumpulan data, preprocessing data, implementasi algoritma, evaluasi model, dan pelaporan hasil. Pada tahap preprocessing, dilakukan beberapa langkah penting yaitu data cleaning (penghapusan data duplikat dan tidak relevan), normalisasi data menggunakan Min-Max Scaling untuk menyamakan skala fitur numerik, transformasi data dengan label encoding untuk mengubah data kategorikal menjadi numerik, serta data balancing menggunakan teknik SMOTE (Synthetic Minority Oversampling Technique) untuk mengatasi ketidakseimbangan antara jumlah data balita yang stunting dan tidak stunting. Setelah dilakukan SMOTE, total data meningkat menjadi 612, terdiri dari 306 data stunting dan 306 data tidak stunting. Implementasi algoritma dilakukan dengan tiga rasio pembagian data training dan testing (70:30, 80:20, dan 90:10). Naïve Bayes diterapkan menggunakan pendekatan distribusi Gaussian, sedangkan SVM menggunakan kernel Radial Basis Function (RBF) untuk menangkap interaksi non-linear antar fitur. Evaluasi performa kedua model dilakukan dengan menggunakan Confusion Matrix yang menghasilkan metrik akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa algoritma SVM secara konsisten memberikan performa lebih tinggi dibandingkan Naïve Bayes di seluruh skenario pengujian. Pada rasio data 90:10, SVM mencapai akurasi 94%, presisi 95,5%, recall 91,5%, dan F1-score 93%, sedangkan Naïve Bayes hanya memperoleh akurasi 87%, presisi 87,5%, recall 84%, dan F1-score 86%. Hasil penelitian menunjukkan bahwa SVM lebih andal dalam mendeteksi kasus stunting dengan tingkat kesalahan klasifikasi yang lebih rendah. Salah satu alasan utama adalah karena Naïve Bayes mengasumsikan independensi antar fitur, padahal dalam data status gizi, variabel seperti usia dan tinggi badan memiliki korelasi yang kuat. Sebaliknya, SVM mampu mengatasi hubungan kompleks antar fitur dan memisahkan kelas dengan lebih efektif melalui hyperplane optimal. Secara praktis, penerapan model SVM dalam sistem pemantauan gizi di fasilitas kesehatan seperti puskesmas dapat membantu tenaga medis dalam mengidentifikasi secara dini balita yang mengalami stunting, sehingga tindakan intervensi gizi dapat dilakukan lebih cepat dan tepat sasaran. Dengan nilai recall yang tinggi, risiko keterlambatan penanganan dapat diminimalkan. Selain itu, dengan presisi yang tinggi, model ini juga menghindari intervensi yang tidak perlu, sehingga sumber daya kesehatan dapat dialokasikan secara lebih efisien. Oleh karena itu, penelitian ini merekomendasikan penggunaan SVM dalam klasifikasi status gizi balita, terutama dalam konteks sistem pendukung keputusan di layanan kesehatan primer seperti puskesmas, untuk mendeteksi stunting secara dini dan akurat.