ABDUL AZIZ, - (2023) Implementasi Metode Learning Vector Quantization (LVQ) Untuk Klasifikasi Keluarga Beresiko Stunting. BUILDING OF INFORMATICS, TECHNOLOGY AND SCIENCE (BITS), 5 (1). pp. 12-20. ISSN e-ISSN 2685-3310, p-ISSN 2684-8910

Preview	Text ABDUL AZIZ REPOSITORY.pdf - Published Version Download (1MB) | Preview
	Text bits/article/view/3478 - Published Version Download (48kB)

Abstract

Stunting adalah kondisi tinggi postur tubuh anak terlalu pendek dari rata-rata kelompok anak seusianya. Kondisi ini mempengaruhi kesehatan balita pada jangka pendek dan panjang, yaitu postur tubuh tidak optimal ketika dewasa, berkurangnya kesehatan reproduksi, serta gangguan fungsi kognitif yang mengarah pada kinerja akademik yang buruk . Salah satu faktor penyebab stunting adalah kurangnya pemenuhan gizi, fasilitas kesehatan dasar, serta pola pengasuhan yang buruk dari orang tua. Namun, pendataan dan klasifikasi keluarga beresiko stunting saat ini masih dengan menggunakan microsoft excel, yang tidak efektif dalam mengolah data besar. Oleh sebab itu, model LVQ digunakan untuk mengklasifikasikan data dengan cepat. Berdasarkan pengujian, hasil optimal dicapai dengan menggunakan jumlah neuron input sebanyak 7, jenis jarak menggunakan chebychev distance, learning rate sebesar 0.1, jumlah epoch sebanyak 7, dan 30% data latih. Akurasi sebesar 99.83% dicapai dengan menggunakan pengujian tersebut. Penelitian ini menunjukkan bahwa metode LVQ dapat digunakan untuk mengidentifikasi keluarga yang beresiko mengalami stunting.

Actions (login required)

View Item