eprintid: 32231
rev_number: 16
eprint_status: archive
userid: 12
dir: disk0/00/03/22/31
datestamp: 2026-07-20 02:27:49
lastmod: 2026-07-20 02:27:49
status_changed: 2026-07-20 02:27:49
type: thesis
metadata_visibility: show
creators_name: Fatimah, Ayu
creators_nim: 22.11.4770
contributors_name: Rumini, Rumini
corp_creators: Universitas AMIKOM Yogyakarta
title: ANALISIS PERBANDINGAN METODE KNN DAN RANDOM
FOREST MENGGUNAKAN HYPERPARAMETER TUNING
UNTUK DETEKSI PENDERITA STUNTING
ispublished: pub
subjects: 000.000.000A
subjects: 000.000.004
divisions: if
full_text_status: restricted
keywords: Stunting, Random Forest, K-Nearest Neighbor, Klasifikasi,
Hyperparameter Tuning, Classification.
abstract: Stunting merupakan masalah kesehatan masyarakat yang serius dan 
memerlukan sistem deteksi dini yang efektif berbasis data. Penelitian ini bertujuan
untuk membandingkan kinerja dua algoritma Machine Learning, yaitu K-Nearest
Neighbor (KNN) dan Random Forest (RF), dalam mengklasifikasikan status
stunting pada balita. Dataset yang digunakan melibatkan berbagai fitur prediktor
seperti berat badan lahir dan panjang lahir. Untuk memaksimalkan kinerja model
dan mengurangi potensi overfitting, kedua metode dioptimasi menggunakan teknik
Hyperparameter Tuning dengan Grid Search. Berdasarkan evaluasi menggunakan
5-Fold Cross Validation, algoritma Random Forest yang telah melalui proses
tuning menunjukkan kinerja terbaik dengan nilai recall sebesar 98,13%, yang
mencerminkan kemampuan model dalam mendeteksi hampir seluruh kasus balita
yang mengalami stunting. Selain itu, Random Forest juga menghasilkan nilai
precision sebesar 98,46% dan accuracy sebesar 98,46%, sementara algoritma KNearest
Neighbor
setelah
tuning
memperoleh
nilai
accuracy
sebesar
97,92%.
Recall

dijadikan

metrik utama karena dihitung secara khusus pada kelas stunting,
sedangkan accuracy, precision, dan F1-score digunakan sebagai metrik pendukung
untuk menggambarkan kinerja model secara keseluruhan pada kedua kelas.
Berdasarkan hasil tersebut, dapat disimpulkan bahwa metode ensemble yang
teroptimasi, khususnya Random Forest dengan Grid Search, merupakan
pendekatan yang paling efektif dan andal dalam mendeteksi kasus stunting pada
balita, sehingga direkomendasikan untuk digunakan sebagai sistem pendukung
deteksi dini stunting dalam konteks kesehatan masyarakat.
date: 2026-01-21
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Fakultas Ilmu Komputer
thesis_type: bachelor
thesis_name: skripsi
citation:   Fatimah, Ayu  (2026) ANALISIS PERBANDINGAN METODE KNN DAN RANDOM FOREST MENGGUNAKAN HYPERPARAMETER TUNING UNTUK DETEKSI PENDERITA STUNTING.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/32231/1/COVER.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32231/2/BAB%20I.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32231/3/BAB%20II.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32231/4/BAB%20III.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32231/5/BAB%20IV.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32231/6/BAB%20V.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32231/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32231/8/Sourcecode%20-%2022.11.4770.zip
document_url: https://eprints.amikom.ac.id/id/eprint/32231/9/Publikasi.pdf