KARTIKA, AMELIA and Nikentari, Nerfita and Slam, Berta Erwin (2026) IMPLEMENTASI HYBRID MULTI-LAYER PERCEPTRON DAN GENETIC ALGORITHM UNTUK KLASIFIKASI STATUS GIZI BALITA. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) AMELIA KARTIKA_2201020059_Teknik_Informatika - Cover.pdf - Published Version Download (788kB)
	Text (Abstrak) AMELIA KARTIKA_2201020059_Teknik_Informatika - Abstrak.pdf - Published Version Download (35kB)
	Text (BAB I) AMELIA KARTIKA_2201020059_Teknik_Informatika - BAB I.pdf - Published Version Download (175kB)
	Text (Daftar Pustaka) AMELIA KARTIKA_2201020059_Teknik_Informatika - Daftar Pustaka.pdf - Published Version Download (105kB)
	Text (Full Teks) AMELIA KARTIKA_2201020059_Teknik_Informatika - Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Balita adalah kelompok usia yang sangat rentan terhadap kondisi gizi, di mana data kesehatan global menunjukkan masih banyak anak yang mengalami masalah gizi seperti malnutrisi maupun obesitas, yang pada akhirnya dapat memengaruhi pertumbuhan serta perkembangan mereka, baik secara fisik maupun mental. Penelitian ini bertujuan untuk menerapkan metode hybrid Multi-Layer Perceptron (MLP) dan Genetic Algorithm (GA) dalam proses klasifikasi status gizi balita serta mengevaluasi performa model yang dihasilkan berdasarkan metrik pengujian yang relevan. Penelitian ini menggunakan dataset sebanyak 4.000 data yang diperoleh dari Dinas Kesehatan, Pengendalian Penduduk, dan Keluarga Berencana Kota Tanjungpinang, kemudian Genetic Algorithm digunakan untuk mengoptimalkan bobot awal Multi-Layer Perceptron (MLP) sehingga menghasilkan model klasifikasi dengan performa yang lebih baik. Hasil penelitian menunjukkan bahwa model MLP dengan SMOTE memperoleh akurasi tertinggi sebesar 92,62%, sedangkan model MLP-GA tanpa SMOTE mencapai akurasi 91,25% dan memiliki waktu komputasi tercepat sebesar 0,125 detik. Sementara itu, model MLP-GA dengan SMOTE memperoleh akurasi 89,50% dan model MLP tanpa optimasi memperoleh akurasi 86,75%. Secara keseluruhan, SMOTE meningkatkan akurasi klasifikasi, sedangkan Genetic Algorithm mampu mengoptimalkan bobot awal MLP sehingga mempercepat waktu komputasi dengan tetap menghasilkan performa klasifikasi yang baik.

Actions (login required)

View Item