PENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI KATEGORI OLAH PANGAN (STUDI KASUS DINAS KESEHATAN KOTA PALEMBANG)
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.025 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.014 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".