EPrints Universitas Amikom YogyakartaANALISIS PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN RANDOM FOREST UNTUK KLASIFIKASI STATUS STUNTINGNada RizkiFebriyantiauthorasalah 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.000 Ilmu komputer, informasi dan pekerjaan umum005 Pemrograman komputer, program dan data2026-02-03Universitas AMIKOM Yogyakarta;Pascasarjana 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.