ANALISIS PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN RANDOM FOREST UNTUK KLASIFIKASI STATUS STUNTING

Febriyanti, Nada Rizki (2026) ANALISIS PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN RANDOM FOREST UNTUK KLASIFIKASI STATUS STUNTING. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 22.55.1242 - Nada Rizki Febriyanti.pdf - Published Version Download (3MB)

Abstract

asalah 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.

Actions (login required)

View Item