{
      "divisions": [
        "PJJ"
      ],
      "dir": "disk0\/00\/03\/17\/97",
      "full_text_status": "public",
      "documents": [
          {
            "docid": 319579,
            "placement": 1,
            "language": "id",
            "files": [
                {
                  "objectid": 319579,
                  "filesize": 3408266,
                  "fileid": 1131530,
                  "uri": "http:\/\/eprints.amikom.ac.id\/id\/file\/1131530",
                  "filename": "22.55.1242 - Nada Rizki Febriyanti.pdf",
                  "hash_type": "MD5",
                  "mtime": "2026-06-29 06:43:14",
                  "mime_type": "application\/pdf",
                  "hash": "979fd83c5b50c303103c34a2ab645bb7",
                  "datasetid": "document"
                }
            ],
            "uri": "http:\/\/eprints.amikom.ac.id\/id\/document\/319579",
            "security": "public",
            "formatdesc": "THESIS",
            "content": "published",
            "main": "22.55.1242 - Nada Rizki Febriyanti.pdf",
            "format": "text",
            "rev_number": 2,
            "mime_type": "application\/pdf",
            "eprintid": 31797,
            "pos": 1
          }
      ],
      "contributors": [
        {
          "name": {
            "honourific": null,
            "family": "Hartanto",
            "lineage": null,
            "given": "Anggit Dwi"
          }
        }
      ],
      "corp_creators": [
        "Universitas AMIKOM Yogyakarta"
      ],
      "thesis_name": "tesis",
      "datestamp": "2026-06-29 06:46:24",
      "subjects": [
        "000.000.000A",
        "000.000.005"
      ],
      "institution": "Universitas AMIKOM Yogyakarta",
      "status_changed": "2026-06-29 06:46:24",
      "eprintid": 31797,
      "keywords": "Stunting, Klasifikasi, Support Vector Machine, Random\r\nForest, SMOTE, Classification.",
      "department": "Pascasarjana Magister Informatika",
      "metadata_visibility": "show",
      "uri": "http:\/\/eprints.amikom.ac.id\/id\/eprint\/31797",
      "date": "2026-02-03",
      "creators": [
        {
          "nim": "22.55.1242",
          "name": {
            "honourific": null,
            "family": "Febriyanti",
            "lineage": null,
            "given": "Nada Rizki"
          }
        }
      ],
      "date_type": "published",
      "type": "thesis",
      "userid": 12,
      "rev_number": 8,
      "title": "ANALISIS PERBANDINGAN ALGORITMA SUPPORT VECTOR\r\nMACHINE (SVM) DAN RANDOM FOREST UNTUK KLASIFIKASI\r\nSTATUS STUNTING",
      "abstract": "asalah stunting merupakan tantangan gizi kronis yang signifikan di \r\nIndonesia, khususnya di Kota Banjarmasin. Penelitian ini bertujuan untuk\r\nmembandingkan kinerja algoritma Support Vector Machine dan Random Forest\r\ndalam mengklasifikasikan status stunting pada balita. Data penelitian bersumber\r\ndari Dinas Kesehatan Kota Banjarmasin tahun 2024 sebanyak 2.231 rekam data,\r\ndengan tambahan data validasi eksternal dari Kabupaten Jeneponto tahun 2025.\r\nTantangan berupa ketidakseimbangan kelas (class imbalance) ditangani dengan\r\npenerapan teknik Synthetic Minority Over-sampling Technique (SMOTE). Hasil\r\npenelitian menunjukkan bahwa algoritma Random Forest secara konsisten\r\nmengungguli Support Vector Machine pada seluruh skenario pengujian. Pada\r\nkonfigurasi data optimal 80:20 dengan penerapan SMOTE, Random Forest\r\nmenghasilkan akurasi sebesar 93,67%, nilai AUC sebesar 0,980, dan F1-score\r\nsebesar 93,1%. Analisis feature importance mengungkapkan bahwa variabel tinggi\r\nbadan dan usia merupakan kontributor paling determinan dalam proses klasifikasi,\r\nyang selaras dengan standar antropometri medis. Uji validasi eksternal\r\nmenunjukkan kemampuan generalisasi model yang baik dengan akurasi 83,30%\r\ndan recall 0,930. Penelitian ini menyimpulkan bahwa Random Forest merupakan\r\nmetode yang lebih efektif dan stabil untuk mendukung identifikasi status stunting\r\nbalita secara akurat.",
      "lastmod": "2026-06-29 06:46:24",
      "eprint_status": "archive",
      "ispublished": "pub",
      "thesis_type": "masters"
    }