SISTEM MONITORING DAN PELAPORAN LAYANAN KESEHATAN BALITA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) PADA POSYANDU MELATI JAKARTA TIMUR

Dadang Iskandar Mulyana; Aryo Putra Ramadhan

doi:10.31539/g0h5q519

Authors

Dadang Iskandar Mulyana Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika
Aryo Putra Ramadhan Sekolah Tinggi Ilmu Komputer Cipta Karya Informatika

DOI:

https://doi.org/10.31539/g0h5q519

Abstract

Posyandu merupakan salah satu bentuk pelayanan kesehatan masyarakat yang memiliki peran penting dalam memantau tumbuh kembang balita. Namun, kenyataannya masih banyak Posyandu yang menjalankan proses pencatatan dan pelaporan data secara manual, yang menyebabkan berbagai kendala seperti keterlambatan informasi, ketidaktepatan data, serta kesulitan dalam proses analisis dan pengambilan keputusan. Kondisi ini dapat berdampak pada kurang optimalnya pelayanan kesehatan yang diberikan kepada masyarakat, terutama bagi kelompok rentan seperti balita. Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk merancang dan membangun sebuah sistem informasi berbasis web yang terintegrasi dengan algoritma Support Vector Machine (SVM). Sistem ini dirancang untuk meningkatkan efisiensi, akurasi, dan kecepatan dalam proses pencatatan serta klasifikasi status gizi balita. Dengan memanfaatkan data antropometri seperti tinggi badan, berat badan, dan usia sebagai input utama untuk proses klasifikasi menggunakan algoritma Support Vector Machine (SVM), sistem ini akan memberikan hasil klasifikasi secara otomatis yang dapat membantu kader Posyandu dalam mengambil keputusan medis yang lebih cepat dan tepat. Selain itu, sistem ini juga dirancang agar dapat diakses secara real-time melalui perangkat digital, baik oleh kader maupun orang tua balita, sehingga memudahkan dalam memantau pertumbuhan anak secara berkala. Implementasi sistem ini di Posyandu Melati RW 2 diharapkan dapat memberikan kontribusi nyata dalam meningkatkan kualitas pelayanan kesehatan masyarakat berbasis teknologi informasi yang lebih modern, akurat, dan responsif terhadap kebutuhan masyarakat

References

[1] E. Prasetyo, R. F. Tias, and E. R. Maulana, “Classification of The Nutrition Status Toddler Using the SVM Method (Case Study: Banjaragung Village, Bareng, Jombang),” JEECS (Journal of Electrical Engineering and Computer Sciences), vol. 6, no. 1, pp. 1039–1044, Jun. 2021, doi: 10.54732/jeecs.v6i1.193.

[2] A. W. Septyanto, H. Lugo Hariyanto, and H. Permatasari, “Utilizing The SVM Approach For Toddler Nutrition Status Classification Based On Anthropometric Measurements,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 10, no. 4, 2023, [Online]. Available: http://jurnal.mdp.ac.id

[3] M. A. Syakur et al., “Multiclass classification of toddler nutritional status using support vector machine: A case study of community health centers in Bangkalan, Indonesia,” in BIO Web of Conferences, EDP Sciences, Nov. 2024. doi: 10.1051/bioconf/202414601082.

[4] M. Afif, M. Mughni, T. M. Fahrudin, and M. Kamisutara, “Classification of Toddler Nutritional Status Based on Antrophometric Index and Feature Discrimination using Support Vector Machine Hyperparameter Tuning,” 2021.

[5] E. Ramon et al., “KLASIFIKASI STATUS GIZI BAYI POSYANDU KECAMATAN BANGUN PURBA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM),” Jurnal Sistem Informasi dan Informatika (Simika) P-ISSN, vol. 5, pp. 2622–6901, 2022.

[6] I. Rahmi, M. Susanti, H. Yozza, and F. Wulandari, “CLASSIFICATION OF STUNTING IN CHILDREN UNDER FIVE YEARS IN PADANG CITY USING SUPPORT VECTOR MACHINE,” BAREKENG: Jurnal Ilmu Matematika dan Terapan, vol. 16, no. 3, pp. 771–778, Sep. 2022, doi: 10.30598/barekengvol16iss3pp771-778.

[7] A. Hendra and G. Gazali, “Support Vector Machine (SVM) For Toddler’s Nutritional Classification in Palu City,” INSIST, vol. 1, no. 1, p. 49, Oct. 2016, doi: 10.23960/ins.v1i1.19.

[8] M. Fadil, A. Islamiyati, and S. A. Thamrin, “CLASSIFICATION OF NUTRITIONAL STATUS IN TODDLERS USING THE SUPPORT VECTOR MACHINE METHOD,” Communications in Mathematical Biology and Neuroscience, vol. 2025, 2025, doi: 10.28919/cmbn/9126.

[9] A. Sholikhaq, G. Firmansyah, B. Tjahjono, and H. Akbar, “Nutrition Classification In Toddlers at UPTD Puskesmas Tigaraksa Using A Comparison of Support Vector Machine (SVM) and K-Nearest Neighbor (KNN) Methods,” Journal Research of Social Science, Economics, and Management, vol. 2, no. 9, Apr. 2023, doi: 10.59141/jrssem.v2i09.415.

[10] R. Gustriansyah, N. Suhandi, S. Puspasari, and A. Sanmorino, “Machine Learning Method to Predict the Toddlers’ Nutritional Status,” JURNAL INFOTEL, vol. 16, no. 1, Jan. 2024, doi: 10.20895/infotel.v15i4.988.

[11] F. Widyawati, H. Suhito, W. Yassin, and H. Santoso, “CLASSIFICATION OF TODDLER NUTRITIONAL STATUS USING SUPPORT VECTOR MACHINE AND RANDOM FOREST TECHNIQUES WITH OPTIMAL FEATURE SELECTION,” Jurnal Teknik Informatika (Jutif), vol. 5, pp. 1893– 1904, Jun. 2025, doi: 10.52436/1.jutif.2024.5.6.4162.

[12] M. Yanto, F. Hadi, and S. Arlis, “Determination of children’s nutritional status with machine learning classification analysis approach,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 33, no. 1, pp. 303–313, Jan. 2024, doi: 10.11591/ijeecs. v33.i1.pp303-313.

[13] S. Widodo, A. Sulistiyanti, A. Yuliana, and A. P. Tinggi, “Implementation of the Support Vector Machine Method for Early Detection of Stunting Based on Anthropometric Features,” 2024.

[14] T. Zumma, A. Rahaman, N. N. Islam Prova, T. Haque, J. C. Joy Bose, and R. A. Youki, “Early Detection of Childhood Malnutrition Using Survey Data and Machine Learning Approaches,” in 2025 4th International Conference on Sentiment Analysis and Deep Learning (ICSADL), 2025, pp. 833–838. doi: 10.1109/ICSADL65848.2025.10933198.

[15] D. N. Fadhilah and P. H. Gunawan, “Support Vector Machine-Based Classification of Toddler Stunting in Bandarharjo,” in 2024 IEEE International Conference on Communication, Networks and Satellite (COMNETSAT), 2024, pp. 263–267. doi: 10.1109/COMNETSAT63286.2024.10862872.

[16] A. Asyraffi, O. Okfalisa, F. Insani, S. Agustian, and R. M. Candra, “Toddler nutritional status identification: Support vector machine (SVM) algorithm adoption,” Science, Technology and Communication Journal, vol. 5, no. 2, pp. 27–36, Feb. 2025, doi: 10.59190/stc.v5i2.282.

[17] D. Sebagai et al., “PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE DALAM MENENTUKAN STATUS GIZI BALITA DI KOTA PEKANBARU TUGAS AKHIR.”

[18] A. Jurnaidi Wahidin, T. Herdian Andika, and I. Artikel, “Deteksi Dini Stunting Pada Anak Berdasarkan Indikator Antropometri dengan Menggunakan Algoritma Machine Learning”, doi: 10.33364/algoritma/v.21-2.2122.

[19] A. Subadi, “JIP (Jurnal Informatika Polinema) DIAGNOSA STUNTING BERDASARKAN GEJALA MEDIS MENGGUNAKAN ALGORITMA NAIVE BAYES, SVM DAN K-NN”.

[20] “MODEL OPTIMASI SVM-GSBE DALAM MENANGANI HIGH DIMENSIONAL DATA STUNTING KOTA SAMARINDA SKRIPSI.”

[21] A. Jalil, A. Homaidi, and Z. Fatah, “Implementasi Algoritma Support Vector Machine Untuk Klasifikasi Status Stunting Pada Balita,” G-Tech: Jurnal Teknologi Terapan, vol. 8, no. 3, pp. 2070–2079, Jul. 2024, doi: 10.33379/gtech.v8i3.4811.

[22] S. D. Wahyuni and R. H. Kusumodestoni, “Optimalisasi Algoritma Support Vector Machine (SVM) Dalam Klasifikasi Kejadian Data Stunting,” Bulletin of Information Technology (BIT), vol. 5, no. 2, pp. 56–64, 2024, doi: 10.47065/bit.v5i2.1247.

[23] Muh. Faried Muchtar, Rahma Laila, Dwi Shinta, and H. M. Yazdi Pusadan, “Perbandingan Algoritma Naïve bayes Dan Support Vektor Machine Untuk Klasifikasi Status Stunting Pada Balita,” The Indonesian Journal of Computer Science, vol. 13, no. 4, Jul. 2024, doi: 10.33022/ijcs.v13i4.4055.

[24] H. Nalatissifa, W. Gata, S. Diantika, and K. Nisa, “Perbandingan Kinerja Algoritma Klasifikasi Naive Bayes, Support Vector Machine (SVM), dan Random Forest untuk Prediksi Ketidakhadiran di Tempat Kerja,” Jurnal Informatika Universitas Pamulang, vol. 5, no. 4, p. 578, Dec. 2021, doi: 10.32493/informatika.v5i4.7575.

[25] A. I. Putri, Y. Syarif, P. Jayadi, F. Arrazak, and F. N. Salisah, “Implementasi Algoritma Decision Tree dan Support Vector Machine (SVM) untuk Prediksi Risiko Stunting pada Keluarga,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 2, pp. 349–357, Feb. 2024, doi: 10.57152/malcom.v3i2.1228.