eprintid: 32332
rev_number: 17
eprint_status: archive
userid: 12
dir: disk0/00/03/23/32
datestamp: 2026-07-23 03:33:31
lastmod: 2026-07-23 03:33:31
status_changed: 2026-07-23 03:33:31
type: thesis
metadata_visibility: show
creators_name: Arisusanto, Alivia Dyatama
creators_nim: 21.11.4123
contributors_name: Baita, Anna
corp_creators: Universitas AMIKOM Yogyakarta
title: KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN
ALGORITMA RANDOM FOREST DI DESA MLESE
ispublished: pub
subjects: 000.000.000A
subjects: 000.000.006
subjects: 600.640.641
divisions: if
full_text_status: restricted
keywords: Status Gizi Balita, Random Forest,  ADASYN, Machine Learning,
Klasifikasi, Toddler Nutritional Status, Classification.
abstract: Masalah gizi pada balita di Indonesia, termasuk di Desa Mlese, merupakan 
tantangan signifikan yang berdampak pada gangguan tumbuh kembang dan
penurunan kualitas sumber daya manusia di masa depan. Evaluasi status gizi
konvensional di Desa Mlese saat ini masih memiliki keterbatasan administratif dan
belum optimal dalam memprediksi pola data antropometri yang kompleks,
sehingga diperlukan metode yang lebih responsif dan akurat. Penelitian ini
menerapkan pendekatan machine learning dengan algoritma Random Forest untuk
mengklasifikasikan status gizi balita melalui tahapan pengumpulan data sekunder
periode 2020–2024, pra-pemrosesan data, serta seleksi fitur menggunakan metode
Random Forest Importance, Chi-Square, dan Recursive Feature Elimination
(RFE). Untuk mengatasi ketidakseimbangan data, penelitian ini membandingkan
teknik SMOTE, SMOTE-TomekLinks, dan ADASYN, yang dioptimasi menggunakan
hyperparameter tuning melalui Randomized Search Cross Validation. Hasil
penelitian menunjukkan bahwa integrasi ADASYN dengan Random Forest
memberikan performa terbaik dengan akurasi 0,8757 dan F1-Score 0,6898. Sistem
yang dikembangkan tidak hanya berfungsi sebagai media pencatatan data, tetapi
juga menonjolkan analisis frekuensi kunjungan balita untuk membantu pemantauan
kepatuhan kunjungan posyandu, menyediakan visualisasi data yang lebih analitik
untuk melihat tren pertumbuhan dan distribusi status gizi secara individu maupun
populasi, serta mendukung deteksi dini risiko masalah gizi berbasis machine
learning. Berdasarkan pengujian User Acceptance Test (UAT) dengan skor 88,17%,
sistem ini dinyatakan sangat layak untuk membantu kader posyandu dan pihak
puskesmas dalam melakukan pemantauan berkelanjutan serta perencanaan
intervensi gizi yang lebih tepat sasaran.
date: 2026-02-23
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Fakultas Ilmu Komputer
thesis_type: bachelor
thesis_name: skripsi
citation:   Arisusanto, Alivia Dyatama  (2026) KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN ALGORITMA RANDOM FOREST DI DESA MLESE.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/32332/1/COVER.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32332/2/BAB%20I.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32332/3/BAB%20II.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32332/4/BAB%20III.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32332/5/BAB%20IV.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32332/6/BAB%20V.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32332/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/32332/8/Sourcecode%20-%2021.11.4123.zip
document_url: https://eprints.amikom.ac.id/id/eprint/32332/9/Publikasi.pdf