Perbandingan Algoritma K-Nearest Neighbors, Support Vector Machine, Logistic Regression, Naïve Bayes, Decision Tree, Dan Random Forest Untuk Klasifikasi Status Gizi Balita Berisiko Stunting (Studi Kasus: Puskesmas Cisauk Kabupaten Tangerang)

Arip Rahmat Hakim, . (2025) Perbandingan Algoritma K-Nearest Neighbors, Support Vector Machine, Logistic Regression, Naïve Bayes, Decision Tree, Dan Random Forest Untuk Klasifikasi Status Gizi Balita Berisiko Stunting (Studi Kasus: Puskesmas Cisauk Kabupaten Tangerang). Masters thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (1MB)
	Text BAB I.pdf Restricted to Registered users only Download (458kB)
	Text BAB II.pdf Restricted to Registered users only Download (735kB)
	Text BAB III.pdf Restricted to Registered users only Download (362kB)
	Text BAB IV.pdf Restricted to Registered users only Download (2MB)
	Text BAB V.pdf Restricted to Registered users only Download (206kB)
	Text JURNAL.pdf Restricted to Registered users only Download (1MB)

Abstract

Stunting pada balita tetap menjadi tantangan gizi utama di Indonesia, dengan prevalensi mencapai 24,4% menurut data SSGI 2021. Penelitian ini bertujuan untuk mengembangkan model klasifikasi risiko stunting berdasarkan status gizi balita menggunakan berbagai algoritma machine learning. Metode penelitian melibatkan Random Forest, Decision Tree, Support Vector Machine (SVM), K-Nearest Neighbors (K-NN), Logistic Regression, dan Naïve Bayes, yang diuji pada tiga indikator gizi utama: TB/U (Tinggi Badan menurut Umur), BB/U (Berat Badan menurut Umur), dan BB/TB (Berat Badan menurut Tinggi Badan). Hasil penelitian menunjukkan bahwa tanpa oversampling, algoritma terbaik adalah Random Forest untuk TB/U (97,9%) dan BB/TB (96,7%), serta Decision Tree untuk BB/U (97,6%). Keunggulan Random Forest pada TB/U dan BB/TB disebabkan oleh kemampuannya dalam menangani hubungan kompleks antar variabel serta ketahanannya terhadap overfitting melalui metode ensemble learning. Sementara itu, Decision Tree unggul pada BB/U karena mampu menangkap pola berbasis aturan yang jelas dalam data tanpa memerlukan parameter yang kompleks. Dengan oversampling, algoritma terbaik adalah K-NN untuk TB/U (90,9%) dan BB/U (90,4%), serta Random Forest untuk BB/TB (77,1%). Oversampling meningkatkan keseimbangan data, memungkinkan algoritma K-NN lebih efektif dalam menangani kelas minoritas seperti “Tinggi”, “Pendek”, dan “Sangat Pendek”, karena sifat algoritma ini yang berbasis kedekatan data (instance-based learning). Sementara itu, Random Forest tetap unggul pada BB/TB karena kemampuannya menangani pola non-linear dan variasi distribusi data yang lebih kompleks, meskipun terjadi penurunan akurasi setelah oversampling. Berdasarkan hasil penelitian ini, Random Forest direkomendasikan sebagai algoritma terbaik untuk klasifikasi status gizi balita berisiko stunting pada balita, terutama untuk indikator TB/U dan BB/TB, karena menunjukkan akurasi tinggi, ketahanan terhadap overfitting, serta kemampuan dalam menangani data yang tidak seimbang tanpa memerlukan banyak tuning parameter yang kompleks. Selain itu, K-NN direkomendasikan untuk skenario dengan oversampling, khususnya pada indikator TB/U dan BB/U, karena metode berbasis tetangga dekat ini lebih efektif setelah distribusi data diseimbangkan. Secara keseluruhan, model yang dihasilkan berpotensi diterapkan dalam aplikasi kesehatan untuk membantu tenaga medis mengklasifikasikan risiko stunting balita secara cepat dan akurat, memungkinkan intervensi dini dan lebih efektif dalam upaya peningkatan status gizi balita di Indonesia.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Stunting, Machine Learning, Klasifikasi Gizi, Anak Balita, Indonesia xvi+126 halaman; 51 gambar; 30 tabel; 19 lampiran; Daftar acuan: 55 (2021-2024)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	miko
Date Deposited:	04 Jul 2025 03:04
Last Modified:	04 Jul 2025 08:13
URI:	http://repository.unpam.ac.id/id/eprint/16746

Actions (login required)

View Item