PENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI KATEGORI OLAH PANGAN (STUDI KASUS DINAS KESEHATAN KOTA PALEMBANG)
Notice bibliographique
Résumé
Dinas kesehatan merupakan bagian integral dari struktur pemerintahan yang memiliki tanggung jawab luas untuk mengelola berbagai aspek kesehatan, aktivitas pelayanan medis sehari-hari juga berperan dalam menjaga keseimbangan gizi yang sehat, yang tercermin dari makanan olahan yang baik dan berkualitas. Oleh karena itu perlu adanya pengelompokan dan pengklasifikasian pada olahan pangan. Adapun permasalahan yang terdapat dalam penelitian ini yaitu adanya kesulitan yang dialami oleh Dinas Kesehatan Kota Palembang dalam menentukan klasifikasi produk olah pangan. Oleh karena itu, peneliti menggunakan metode Naive Bayes dan Software RapidMiner sebagai perangkat lunak pendukung dalam penelitian ini. Dalam penelitian ini, pada pengujian Accuracy di dapatkan hasil nilai yang sama antara perhitungan Rapidminer dan perhitungan manual Naive Bayes yaitu kelas positif 94,52%: Nabati, pada pengujian Precission terdapat perbedaan antara perhitungan RapidMiner dengan perhitungan Naive Bayes manual, pada perhitungan RapidMiner didapatkan hasil yang lebih besar yaitu 93,22% Kelas Positif: Nabati, sedangkan perhitungan Naive Bayes manual didapatkan nilai 78%. Nilai serupa juga diperoleh pada pengujian Recall dimana antara perhitungan Rapidminer dan perhitungan manual Naive Bayes, nilainya sama yaitu 100% Kelas positif: Nabati, pada pengujian F1 Score diperoleh nilai yang sama antara perhitungan Rapidminer dan perhitungan manual Naive Bayes yaitu 100%, dan pada pengujian Rapidminer Area Under The Curve (AUC) Hasil yang diperoleh adalah 0,973 (kelas positif: Nabati), dan tingginya akurasi kurva ROC/AUC memberikan kriteria “Excellent Clasification (klasifikasi yang sangat baik)”, sehingga penelitian ini nilai penggunaan bahan pangan nabati lebih mendominasi dibandingkan penggunaan bahan pangan hewani. Diharapkan hasil dari penelitian ini dapat membantu Dinas Kesehatan dalam mengklasifikasi kategori olah pangan. Kata Kunci: Naive Bayes, Klasifikasi, Olah Pangan, Dinas Kesehatan Kota Palembang, Pengawasan Produk Pangan. Bahan Pangan, Hewani, Nabati.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,006 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».