Klasifikasi Status Gizi Balita Berdasarkan Antropometri dan Sosiodemografi Menggunakan Xgboost dengan Teknik Oversampling Smote
Tahun 2026 · Penulis: Nofita Nur Aini
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Malnutrisi pada balita, termasuk stunting, wasting, dan underweight, masih menjadi masalah kesehatan masyarakat yang signifikan di Indonesia, khususnya di Kabupaten Jember. Tingginya prevalensi kondisi tersebut menunjukkan perlunya pendekatan berbasis data untuk mendukung deteksi dini dan intervensi yang tepat. Penelitian ini bertujuan untuk mengklasifikasikan status gizi balita menggunakan algoritma Extreme Gradient Boosting (XGBoost) berdasarkan variabel antropometri dan sosiodemografi, dengan dukungan metode Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas data. Dataset yang digunakan terdiri atas 1.073 sampel yang diperoleh dari Puskesmas Ajung. Data tersebut melalui tahapan prapemrosesan yang meliputi pembersihan data, pengodean (encoding), dan normalisasi. Selanjutnya, data dibagi menjadi data pelatihan dan data pengujian dengan rasio 70:30, serta dilakukan optimasi model menggunakan Grid Search Cross-Validation. Hasil penelitian menunjukkan bahwa model XGBoost memiliki kinerja klasifikasi yang baik, dengan nilai akurasi sebesar 94% pada kategori stunting dan wasting, serta 93% pada kategori underweight. Kategori wasting menunjukkan nilai recall tertinggi, yang mengindikasikan kemampuan deteksi yang kuat, sedangkan kategori underweight memiliki nilai recall dan F1-score terendah, yang menunjukkan bahwa model masih mengalami kesulitan dalam mengidentifikasi kategori tersebut. Kondisi ini disebabkan oleh tidak adanya satu indikator yang dominan, kompleksitas data yang lebih tinggi, serta adanya tumpang tindih karakteristik dengan kelas normal. Meskipun SMOTE mampu meningkatkan keseimbangan kelas data, metode ini belum sepenuhnya dapat merepresentasikan pola yang kompleks pada kategori underweight. Analisis feature importance yang didukung oleh korelasi Pearson menunjukkan bahwa faktor sosiodemografi, seperti pola asuh, kondisi ekonomi, dan riwayat kesehatan, bersama dengan variabel antropometri, memiliki peran penting dalam menentukan status gizi anak. Temuan ini mengindikasikan bahwa malnutrisi dipengaruhi tidak hanya oleh faktor fisik, tetapi juga oleh faktor lingkungan dan sosial, sehingga diperlukan strategi intervensi yang komprehensif dan terintegrasi untuk mengatasinya.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,822
Tahun 2026 · Penulis: Bagus Ilman Huda
Klasifikasi Kemiskinan Multidimensi di Provinsi Bengkulu Menggunakan Algoritma Random Forest
Kemiskinan adalah masalah sosial yang rumit yang tidak dapat sepenuhnya dijelaskan semata - mata melalui sudut pandang moneter. Oleh karena itu, pendekatan kemiskinan multidimensi digunakan untuk menggambarkan kondisi kesejahteraan rumah tangga dengan lebih me
- Cosine 0,803
Tahun 2025 · Penulis: Mohammad Irfan Maulana
Analisis Perbandingan Metode Naive Bayes dan Support Vector Machine (SVM) dalam Klasifikasi Status Gizi Balita Berisiko Stunting
Penelitian ini berjudul “Analisis Perbandingan Metode Naive Bayes dan Support Vector Machine (SVM) dalam Klasifikasi Status Gizi Balita Berisiko Stunting”. Penelitian ini dilatarbelakangi oleh tingginya prevalensi stunting pada balita di Indonesia, termasuk di
- Cosine 0,802
Tahun 2026 · Penulis: Amirah Firdaus
Klasifikasi Status Gizi Balita Berdasarkan Data Antropometri Menggunakan Algoritma Light Gradient Boosting Machine
Balita berada di usia keemasan mereka, di mana malnutrisi pada tahap ini tidak dapat diperbaiki dan dapat mempengaruhi kesehatan pada masa dewasa. Oleh karena itu, memantau status gizi sangatlah penting. Menurut 2025 Jember Regency Data Dashboard, 18.157 balit