%0 Thesis
%9 S2 - Magister
%A Febriyanti, Nada Rizki
%A Universitas AMIKOM Yogyakarta,
%B Pascasarjana Magister Informatika
%D 2026
%F universitasamikomyogyakarta:31797
%I Universitas AMIKOM Yogyakarta
%K Stunting, Klasifikasi, Support Vector Machine, Random  Forest, SMOTE, Classification.
%T ANALISIS PERBANDINGAN ALGORITMA SUPPORT VECTOR  MACHINE (SVM) DAN RANDOM FOREST UNTUK KLASIFIKASI  STATUS STUNTING
%U https://eprints.amikom.ac.id/id/eprint/31797/
%X asalah stunting merupakan tantangan gizi kronis yang signifikan di   Indonesia, khususnya di Kota Banjarmasin. Penelitian ini bertujuan untuk  membandingkan kinerja algoritma Support Vector Machine dan Random Forest  dalam mengklasifikasikan status stunting pada balita. Data penelitian bersumber  dari Dinas Kesehatan Kota Banjarmasin tahun 2024 sebanyak 2.231 rekam data,  dengan tambahan data validasi eksternal dari Kabupaten Jeneponto tahun 2025.  Tantangan berupa ketidakseimbangan kelas (class imbalance) ditangani dengan  penerapan teknik Synthetic Minority Over-sampling Technique (SMOTE). Hasil  penelitian menunjukkan bahwa algoritma Random Forest secara konsisten  mengungguli Support Vector Machine pada seluruh skenario pengujian. Pada  konfigurasi data optimal 80:20 dengan penerapan SMOTE, Random Forest  menghasilkan akurasi sebesar 93,67%, nilai AUC sebesar 0,980, dan F1-score  sebesar 93,1%. Analisis feature importance mengungkapkan bahwa variabel tinggi  badan dan usia merupakan kontributor paling determinan dalam proses klasifikasi,  yang selaras dengan standar antropometri medis. Uji validasi eksternal  menunjukkan kemampuan generalisasi model yang baik dengan akurasi 83,30%  dan recall 0,930. Penelitian ini menyimpulkan bahwa Random Forest merupakan  metode yang lebih efektif dan stabil untuk mendukung identifikasi status stunting  balita secara akurat.