Perbandingan Algoritma Random Forest dan XGBoost dalam Klasifikasi Status Stunting pada Balita Berdasarkan Data Antropometri
DOI:
https://doi.org/10.33005/santika.v6i1.1281Keywords:
Stunting, Machine Learning, Klasifikasi, Random Forest, XGBoost, Data AntropometriAbstract
Stunting merupakan permasalahan gizi kronis yang berdampak pada pertumbuhan dan perkembangan anak, sehingga deteksi dini menjadi sangat penting. Penelitian ini bertujuan membangun model klasifikasi status stunting pada balita menggunakan pendekatan machine learning berbasis data antropometri. Data yang digunakan berasal dari dataset balita di Kabupaten Jeneponto dengan total 40.071 data, meliputi jenis kelamin, usia (bulan), berat badan, dan tinggi badan. Status stunting ditentukan berdasarkan Z-score Height-for-Age sesuai standar World Health Organization. Metode yang digunakan meliputi tahap preprocessing data, pembentukan variabel target, pembagian data, serta pembangunan model menggunakan algoritma Random Forest dan XGBoost. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa model XGBoost memiliki performa terbaik dengan accuracy sebesar 96,81% dan recall sebesar 95% pada kelas stunting, sedangkan Random Forest menghasilkan accuracy sebesar 93,34%. Tingginya performa model menunjukkan kemampuan dalam menangkap pola hubungan antar variabel antropometri, khususnya tinggi badan dan usia. Penelitian ini menyimpulkan bahwa machine learning dapat digunakan sebagai alat bantu screening awal stunting secara cepat. Namun, model masih memiliki keterbatasan dalam mendeteksi seluruh kasus stunting, sehingga pengembangan lebih lanjut diperlukan untuk meningkatkan akurasi dan generalisasi.
References
M. Mardiati, F. Maulina, dan M. Sayuti, “HUBUNGAN INTERPRETASI WHO (WORLD HEALTH ORGANIZATION) ANTROPOMETRI Z-SCORE DAN INFEKSI KECACINGAN PADA ANAK USIA 36 – 60 BULAN DI KOTA LHOKSEUMAWE,” AVERROUS J. Kedokt. Dan Kesehat. Malikussaleh, vol. 6, no. 2, hlm. 44, Des 2020, doi: 10.29103/averrous.v6i2.3325.
C. R. Titaley, I. Ariawan, D. Hapsari, A. Muasyaroh, dan M. J. Dibley, “Determinants of the Stunting of Children Under Two Years Old in Indonesia: A Multilevel Analysis of the 2013 Indonesia Basic Health Survey,” Nutrients, vol. 11, no. 5, hlm. 1106, Mei 2019, doi: 10.3390/nu11051106.
T. Beal, A. Tumilowicz, A. Sutrisna, D. Izwardy, dan L. M. Neufeld, “A review of child stunting determinants in INDONESIA,” Matern. Child. Nutr., vol. 14, no. 4, hlm. e12617, Okt 2018, doi: 10.1111/mcn.12617.
A. Komarulzaman dkk., “Achieving Zero Stunting: A Sustainable Development Goal Interlinkage Approach at District Level,” Sustainability, vol. 15, no. 11, hlm. 8890, Mei 2023, doi: 10.3390/su15118890.
M. Shekar dkk., “Reaching the global target to reduce stunting: an investment framework,” Health Policy Plan., vol. 32, no. 5, hlm. 657–668, Jun 2017, doi: 10.1093/heapol/czw184.
“Use and interpretation of anthropometric indicators of nutritional status,” Bull. World Health Organ., vol. 64, no. 6, hlm. 929–941, 1986.
R. Roediger, D. T. Hendrixson, dan M. J. Manary, “A roadmap to reduce stunting,” Am. J. Clin. Nutr., vol. 112, hlm. 773S-776S, Sep 2020, doi: 10.1093/ajcn/nqaa205.
E. K. Anku dan H. O. Duah, “Predicting and identifying factors associated with undernutrition among children under five years in Ghana using machine learning algorithms,” PLOS ONE, vol. 19, no. 2, hlm. e0296625, Feb 2024, doi: 10.1371/journal.pone.0296625.
H. Shen, H. Zhao, dan Y. Jiang, “Machine Learning Algorithms for Predicting Stunting among Under-Five Children in Papua New Guinea,” Children, vol. 10, no. 10, hlm. 1638, Sep 2023, doi: 10.3390/children10101638.
A. B. Zemariam dkk., “Prediction of stunting and its socioeconomic determinants among adolescent girls in Ethiopia using machine learning algorithms,” PLOS ONE, vol. 20, no. 1, hlm. e0316452, Jan 2025, doi: 10.1371/journal.pone.0316452.
N. F. Sahamony, T. Terttiaavini, dan H. Rianto, “Analisis Perbandingan Kinerja Model Machine Learning untuk Memprediksi Risiko Stunting pada Pertumbuhan Anak: Analysis of Performance Comparison of Machine Learning Models for Predicting Stunting Risk in Children’s Growth,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 2, hlm. 413–422, Feb 2024, doi: 10.57152/malcom.v4i2.1210.
T. Sugihartono, “Optimizing Stunting Detection through SMOTE and Machine Learning: a Comparative Study of XGBoost, Random Forest, SVM, and k-NN,” J. Appl. Data Sci., vol. 6, no. 1, hlm. 667–682, Jan 2024, doi: 10.47738/jads.v6i1.494.
E. K. Anku dan H. O. Duah, “Predicting and identifying factors associated with undernutrition among children under five years in Ghana using machine learning algorithms,” PLOS ONE, vol. 19, no. 2, hlm. e0296625, Feb 2024, doi: 10.1371/journal.pone.0296625.
