ALGORITMA MACHINE LEARNING RANDOM FOREST DAN DECISION TREE DALAM KLASIFIKASI STATUS GIZI BALITA
Abstract
Gizi pada balita merupakan sebuah isu strategis baik ditingkat nasional maupun daerah, terutama stunting, wasting, underweight dan overweight masih menjadi isu penting di Indonesia, termasuk di Kabupaten Tangerang. Periode usia 12-59 bulan merupakan masa kritis dalam pertumbuhan dan perkembangan anak, sehingga pemantauan dan intervensi gizi yang tepat sangat diperlukan. Tujuan penelitian ini mengembangkan model klasifikasi dengan machine learning pada gizi balita, serta memberikan kontribusi dalam identifikasi dini balita berisiko gizi buruk atau obesitas. Penelitian ini berfokus pada bagaimana menerapkan algoritma machine learning Random Forest dan Decision Tree untuk klasifikasi status gizi balita, serta bagaimana perbandingan kinerja kedua algoritma tersebut dalam deteksi dini masalah gizi. Dalam model yang telah dibuat, dengan algoritma Random Forest dan Decision Tree diperoleh hasil yang menunjukkan akurasi yang tinggi, masing-masing mencapai 92%. Dengan menggunakan GridSearch untuk menemukan nilai parameter terbaik, akurasi model meningkat menjadi 93% untuk Random Forest dan 94% untuk Decision Tree. Hasil ini menunjukkan potensi kedua algoritma dalam klasifikasi status gizi balita secara akurat.
Keywords
Full Text:
PDFReferences
A. Wulandari Leksono et al., “Risiko Penyebab Kejadian Stunting pada Anak,” Jurnal Pengabdian Kesehatan Masyarakat: Pengmaskesmas, vol. 1, no. 2, pp. 34–38, 2021, doi: 10.31849/pengmaskesmas.v1i2/5747.
D. Nike Aria Kurniawan, “Implementasi Metode Decision Tree pada Sistem Prediksi Status Gizi Balita,” 2023.
N. E. Putri, M. Y. Andarini, and S. Achmad, “Gambaran Status Gizi pada Balita di Puskesmas Karang Harja Bekasi Tahun 2019,” Jurnal Riset Kedokteran, vol. 1, no. 1, pp. 14–18, Jul. 2021, doi: 10.29313/jrk.v1i1.108.
D. Arbanus Simbolon et al., “Penerapan Jaringan Saraf Tiruan Dalam Memprediksi Gizi Balita Pada Puskesmas Siantar Utara Kota Pematangsian-tar,” BRAHMANA: Jurnal Penerapan Kecerdasan Buatan, vol. 1, no. 1, pp. 48–54, 2019.
R. Rizqi Robbi Arisandi, B. Warsito, and A. Rachman Hakim, “Aplikasi Naïve Bayes Classifier (Nbc) Pada Klasifikasi Status Gizi Balita Stunting Dengan Pengujian K-Fold Cross Validation,” vol. 11, no. 1, pp. 130–139, 2022, [Online]. Available: https://ejournal3.undip.ac.id/index.php/gaussian/
W. Nugraha and A. Sasongko, “SISTEMASI: Jurnal Sistem Informasi Hyperparameter Tuning pada Algoritma Klasifikasi dengan Grid Search Hyperparameter Tuning on Classification Algorithm with Grid Search.” [Online]. Available: http://sistemasi.ftik.unisi.ac.id
T. Hidayat et al., “Performance Prediction Using Cross Validation (GridSearchCV) for Stunting Prevalence,” in 2024 IEEE International Confer-ence on Artificial Intelligence and Mechatronics Systems (AIMS), IEEE, Feb. 2024, pp. 1–6. doi: 10.1109/AIMS61812.2024.10512657.
Yoga Religia, Agung Nugroho, and Wahyu Hadikristanto, “Klasifikasi Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 187–192, Feb. 2021, doi: 10.29207/resti.v5i1.2813.
Y. A. Singgalen, “JURNAL MEDIA INFORMATIKA BUDIDARMA Penerapan Metode CRISP-DM dalam Klasifikasi Data Ulasan Pengunjung Destinasi Danau Toba Menggunakan Algoritma Naïve Bayes Classifier (NBC) dan Decision Tree (DT),” 2023, doi: 10.30865/mib.v7i3.6461.
D. Haganta Depari et al., “Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung,” JURNAL INFORMATIK Edisi ke, vol. 18, p. 2022.
F. Yulian Pamuji, V. Puspaning Ramadhan, and R. Artikel, “Jurnal Teknologi dan Manajemen Informatika Komparasi Algoritma Random Forest Dan Decision Tree Untuk Memprediksi Keberhasilan Immunotheraphy Info Artikel ABSTRAK,” vol. 7, pp. 46–50, 2021, [Online]. Available: http://http://jurnal.unmer.ac.id/index.php/jtmi
J. Kha, S. Dalam, and A. O. Praneswara, “Perbandingan K-Nearest Neighbors, Support Vector Dan Random Forest Pada Prediksi Medical Cost,” Indonesian Journal of Computer Science Attribution, vol. 12, no. 4, p. 2035, [Online]. Available: https://www.kaggle.com/datasets/mirichoi0218/insurance.
A. Salam, S. S. Prasetiyowati, and Y. Sibaroni, “ARJUNA) Managed by Ministry of Research, Technology, and Higher Education,” Accredited by National Journal Accreditation, vol. 4, no. 2, pp. 531–536, 2020, [Online]. Available: http://jurnal.iaii.or.id
R. Rahmaddeni, M. K. Anam, Y. Irawan, S. Susanti, and M. Jamaris, “Comparison of Support Vector Machine and XGBSVM in Analyzing Pub-lic Opinion on Covid-19 Vaccination,” ILKOM Jurnal Ilmiah, vol. 14, no. 1, pp. 32–38, Apr. 2022, doi: 10.33096/ilkom.v14i1.1090.32-38.
Kokom Komariyah, Rahaditya Dasuki, Dias Bayu Saputra, Saeful Anwar, and Gifthera Dwilestari, “Klasifikasi Stok Barang Menggunakan Algo-ritma Naïve Bayes Pada Pt.Dharma Electrindo Manufacturing,” KOPERTIP : Jurnal Ilmiah Manajemen Informatika dan Komputer, vol. 4, no. 2, pp. 35–41, Jun. 2020, doi: 10.32485/kopertip.v4i2.117.
C. Zai and T. Komputer, “Implementasi Data Mining Sebagai Pengolahan Data.”
M. Riko Anshori Prasetya and A. Mudi Priyatno, “Penanganan Imputasi Missing Values pada Data Time Series dengan Menggunakan Metode Data Mining”, doi: 10.37034/jidt.v5i1.324.
M. D. Purbolaksono, M. Irvan Tantowi, A. Imam Hidayat, and A. Adiwijaya, “Perbandingan Support Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, pp. 393–399, Apr. 2021, doi: 10.29207/resti.v5i2.3008.
D. Malita, P. Arum, and A. Triyono, “Genetic Algorithm For Feature Selection In Naïve Bayes In Life Breast Cancer Patient N O Classification Resistance,” 2021.
DOI: https://doi.org/10.29100/jipi.v11i1.7545
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Website :https://jurnal.stkippgritulungagung.ac.id/index.php/jipi/index
Email: jipistkippti@gmail.com
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.