eprintid: 33136
rev_number: 15
eprint_status: archive
userid: 12
dir: disk0/00/03/31/36
datestamp: 2026-10-05 03:38:45
lastmod: 2026-10-05 03:38:45
status_changed: 2026-10-05 03:38:45
type: thesis
metadata_visibility: show
creators_name: Staifen, Ahmad Aroyuna
creators_nim: 22.11.4784
contributors_name: Rahardi, Majid
corp_creators: Universitas AMIKOM Yogyakarta
title: ANALISIS PERFORMA ALGORITMA MACHINE LEARNING
UNTUK KLASIFIKASI STATUS STUNTING PADA BALITA
ispublished: pub
subjects: 000.000.000A
divisions: if
full_text_status: restricted
keywords: tunting, Machine Learning, Ensemble Learning, Klasifikasi,
Random Forest, Classification.
abstract: 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 (α = 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.
date: 2026-05-18
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Fakultas Ilmu Komputer
thesis_type: bachelor
thesis_name: skripsi
citation:   Staifen, Ahmad Aroyuna  (2026) ANALISIS PERFORMA ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI STATUS STUNTING PADA BALITA.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/33136/1/COVER.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33136/2/BAB%20I.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33136/3/BAB%20II.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33136/4/BAB%20III.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33136/5/BAB%20IV.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33136/6/BAB%20V.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33136/7/Daftar%20Pustaka.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/33136/8/Sourcecode%20-%2022.11.4784.zip
document_url: https://eprints.amikom.ac.id/id/eprint/33136/9/Publikasi.pdf