ANALISIS PERFORMA ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI STATUS STUNTING PADA BALITA

Staifen, Ahmad Aroyuna (2026) ANALISIS PERFORMA ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI STATUS STUNTING PADA BALITA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf - Published Version
Download (775kB)
[img] Text (BAB I)
BAB I.pdf - Published Version
Download (206kB)
[img] Text (BAB II)
BAB II.pdf - Published Version
Restricted to Registered users only
Download (500kB)
[img] Text (BAB III)
BAB III.pdf - Published Version
Restricted to Registered users only
Download (376kB)
[img] Text (BAB IV)
BAB IV.pdf - Published Version
Restricted to Registered users only
Download (1MB)
[img] Text (BAB V)
BAB V.pdf - Published Version
Download (165kB)
[img] Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf - Published Version
Restricted to Registered users only
Download (106kB)
[img] Archive (SOURCE CODE)
Sourcecode - 22.11.4784.zip - Published Version
Restricted to Repository staff only
Download (52kB)
[img] Text (PUBLIKASI)
Publikasi.pdf - Published Version
Restricted to Repository staff only
Download (566kB)

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.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Rahardi, Majid
Uncontrolled Keywords: tunting, Machine Learning, Ensemble Learning, Klasifikasi, Random Forest, Classification.
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 05 Oct 2026 03:38
Last Modified: 05 Oct 2026 03:38
URI: http://eprints.amikom.ac.id/id/eprint/33136

Actions (login required)

View Item View Item