TY  - THES
PB  - Universitas AMIKOM Yogyakarta
N2  - Stunting merupakan gangguan pertumbuhan kronis pada balita akibat
kurang gizi berkepanjangan yang berdampak serius terhadap kemampuan kognitif
dan produktivitas anak di masa depan. Masalah ini seringkali terlambat dideteksi
karena keterbatasan alat bantu diagnosis yang presisi, sehingga diperlukan
pendekatan teknologi cerdas untuk membantu deteksi dini status gizi balita secara
cepat dan akurat.
Penelitian ini menerapkan metode Ensemble Learning untuk
mengklasifikasikan status stunting secara biner menggunakan lima algoritma, yaitu
Decision Tree sebagai baseline, Random Forest, XGBoost, LightGBM, dan
CatBoost. Evaluasi kinerja dilakukan menggunakan Stratified 10-Fold CrossValidation
pada
39.425
data
bersih
dengan
atribut
jenis
kelamin,
umur,
dan
tinggi

badan.

Hasil

penelitian menunjukkan bahwa seluruh algoritma memperoleh
performa sangat tinggi: Decision Tree 99,62%, Random Forest 99,72%, XGBoost
99,67%, LightGBM 99,59%, dan CatBoost 99,67% (akurasi dan F1-Score).
Random Forest menempati peringkat pertama berdasarkan weighted F1-Score,
namun uji McNemar's test menunjukkan bahwa perbedaan antarmodel tidak
signifikan secara statistik (? = 0,05).
Tinggi badan dan umur terbukti sebagai indikator dominan pada seluruh
model. Hasil penelitian ini dapat dimanfaatkan oleh instansi kesehatan, Puskesmas,
dan kader Posyandu sebagai dasar sistem pendukung keputusan klinis untuk
screening awal stunting secara massal dan efisien.
Y1  - 2026/05/18/
KW  - tunting
KW  -  Machine Learning
KW  -  Ensemble Learning
KW  -  Klasifikasi
KW  - 
Random Forest
KW  -  Classification.
A1  - Staifen, Ahmad Aroyuna
UR  - https://eprints.amikom.ac.id/id/eprint/33136/
AV  - restricted
TI  - ANALISIS PERFORMA ALGORITMA MACHINE LEARNING
UNTUK KLASIFIKASI STATUS STUNTING PADA BALITA
ID  - universitasamikomyogyakarta33136
M1  - bachelor
ER  -