Tentang SmartLib Bantuan Pengguna

Skripsi S1

Record Data Skripsi S1

MhswID :

210401093

Judul :

KLASIFIKASI STUNTING BALITA MENGGUNAKAN ALGORITMA RANDOM FOREST DAN XGBOOST PADA PUSKESMAS LIMAPULUH

Penulis :

RICHARD HASIBUAN

Abstrak :

Stunting pada balita merupakan masalah kesehatan kronis yang memerlukan deteksi dini yang akurat untuk mencegah dampak jangka panjang terhadap pertumbuhan dan perkembangan anak. Penelitian ini bertujuan menerapkan dan membandingkan kinerja dua algoritma Machine Learning, yaitu Random Forest dan XGBoost, dalam mendeteksi status stunting pada balita. Data penelitian berasal dari 7.275 catatan kesehatan balita di Puskesmas Lima Puluh, dengan ketidakseimbangan kelas yang sangat tinggi, yaitu 99,31% Non-Stunting dan 0,69% Stunting. Ketidakseimbangan ini berpotensi menyebabkan bias model terhadap kelas mayoritas. Untuk mengatasi masalah tersebut, penelitian menerapkan teknik SMOTE pada data latih, optimasi hyperparameter menggunakan Grid Search, serta evaluasi model dengan Stratified Cross-Validation. Hasil menunjukkan bahwa XGBoost merupakan model dengan performa terbaik. Model XGBoost teroptimasi mencapai Recall sempurna (1.00), F1-Score tertinggi (0.77), serta AUC sangat tinggi (0.9992). Sementara itu, Random Forest terbaik memperoleh Recall 0.80, F1-Score 0.57, dan AUC 0.9981, namun masih lebih rendah dibandingkan XGBoost dalam mendeteksi kasus stunting. Berdasarkan temuan tersebut, XGBoost direkomendasikan sebagai model paling efektif untuk mendukung Sistem Pendukung Keputusan dalam deteksi dini stunting di Puskesmas.

Abstrak Inggris :

Stunting in toddlers is a chronic health problem that requires accurate early detection to prevent long-term impacts on children's growth and development. This study aims to apply and compare the performance of two Machine Learning algorithms, namely Random Forest and XGBoost, in detecting stunting status in toddlers. The research data comes from 7,275 toddler health records at Lima Puluh Community Health Center, with a very high class imbalance, namely 99.31% Non-Stunting and 0.69% Stunting. This imbalance has the potential to cause model bias towards the majority class. To overcome this problem, the study applies the SMOTE technique to the training data, hyperparameter optimization using Grid Search, and model evaluation with Stratified Cross-Validation. The results show that XGBoost is the model with the best performance. The optimized XGBoost model achieved perfect Recall (1.00), the highest F1-Score (0.77), and a very high AUC (0.9992). Meanwhile, the best Random Forest achieved a Recall of 0.80, an F1-Score of 0.57, and an AUC of 0.9981, but was still lower than XGBoost in detecting stunting cases. Based on these findings, XGBoost is recommended as the most effective model to support Decision Support Systems in early stunting detection at Community Health Centers.

Tahun :

2026

Cover :

Bab 1 :

Bab 2 :

Bab 3 :

Bab 4 :