ANALISIS PERBANDINGAN METODE KNN DAN RANDOM FOREST MENGGUNAKAN HYPERPARAMETER TUNING UNTUK DETEKSI PENDERITA STUNTING

Fatimah, Ayu (2026) ANALISIS PERBANDINGAN METODE KNN DAN RANDOM FOREST MENGGUNAKAN HYPERPARAMETER TUNING UNTUK DETEKSI PENDERITA STUNTING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (708kB)
	Text (BAB I) BAB I.pdf - Published Version Download (279kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (758kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (764kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (79kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (453kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4770.zip Restricted to Repository staff only Download (2MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (510kB)

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.

Actions (login required)

View Item