EPrints Universitas Amikom YogyakartaPERBANDINGAN KINERJA PREDIKSI STUNTING ANAK MENGGUNAKAN SUPPORT VECTOR MACHINE VS RANDOM FOREST DENGAN OPTIMASI GRID SEARCHMarthinus IkunElimauthorStunting merupakan masalah kesehatan global yang serius, terutama di negara berkembang. Prevalensinya tinggi di Indonesia, mencapai sekitar 24,4% di antara anak-anak di bawah lima tahun pada tahun 2021. Kondisi ini, yang didefinisikan sebagai gagal tumbuh karena kekurangan gizi kronis, infeksi berulang, dan kurangnya stimulasi psikososial, memiliki dampak jangka panjang pada perkembangan kognitif dan kapasitas produktif individu. Studi ini bertujuan untuk melakukan analisis komparatif algoritma Support Vector Machine dan Random Forest dalam memprediksi stunting pada anak, dengan fokus pada evaluasi dampak optimasi hyperparameter menggunakan Grid Search pada kinerja model. Studi ini menggunakan dataset stunting publik dari Kaggle dan mencakup langkahlangkah pra-pemrosesan data seperti penanganan nilai yang hilang, duplikasi, pengkodean, dan penskalaan. Data kemudian dibagi menjadi 80% untuk pelatihan, 10% untuk pengujian, dan 10% untuk validasi. Metrik evaluasi komprehensif seperti presisi, recall, F1-score, dan ROC-AUC juga digunakan untuk menilai kinerja model. Optimasi Grid Search diterapkan pada kedua model untuk menemukan kombinasi hyperparameter terbaik. Hasil eksperimen menunjukkan bahwa optimasi Grid Search secara signifikan meningkatkan akurasi model SVM dari 94,29% menjadi 98,37%. Sementara itu, model Random Forest menunjukkan kinerja yang sangat tinggi, mencapai akurasi 99,59% baik sebelum maupun setelah optimasi Grid Search. Temuan ini menggarisbawahi potensi signifikan model pembelajaran mesin dalam mendukung upaya pencegahan stunting untuk kebijakan intervensi kesehatan masyarakat. Penelitian ini berkontribusi pada pengembangan sistem pendukung keputusan berbasis pembelajaran mesin untuk kesehatan masyarakat, khususnya dalam strategi deteksi dini dan intervensi untuk stunting.000 Ilmu komputer, informasi dan pekerjaan umum2026-03-04Universitas AMIKOM Yogyakarta;PJJ Magister InformatikaThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.