PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE, EXTREME GRADIENT BOOSTING, DAN CATEGORICAL BOOSTING DALAM KLASIFIKASI STUNTING DI KABUPATEN LAMPUNG BARAT

Deta Sari , Aslina (2026) PENERAPAN ALGORITMA SUPPORT VECTOR MACHINE, EXTREME GRADIENT BOOSTING, DAN CATEGORICAL BOOSTING DALAM KLASIFIKASI STUNTING DI KABUPATEN LAMPUNG BARAT. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (72Kb) | Preview
	File PDF FILE SKRIPSI FULL.pdf Restricted to Hanya staf Download (2547Kb) | Minta salinan
Preview	File PDF FILE SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (1957Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Stunting merupakan salah satu permasalahan gizi kronis pada balita yang masih menjadi perhatian dalam kesehatan masyarakat. Penelitian ini bertujuan untuk mengklasifikasikan status stunting pada balita di Kabupaten Lampung Barat menggunakan pendekatan machine learning serta membandingkan kinerja algoritma Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), dan Categorical Boosting (CatBoost). Penelitian ini menggunakan data sekunder berupa data antropometri balita usia 0–60 bulan yang diperoleh dari Dinas Kesehatan Kabupaten Lampung Barat periode Juni 2024–Juni 2025. Status stunting diklasifikasikan ke dalam empat kelas berdasarkan indikator tinggi badan menurut usia (TB/U). Data diproses melalui tahap pembersihan, normalisasi, serta penyeimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Model dibangun dengan proses tuning hyperparameter dan dievaluasi menggunakan confusion matrix dengan metrik akurasi, precision, recall, F1-score, serta waktu komputasi. Hasil penelitian menunjukkan bahwa seluruh algoritma mampu mengklasifikasikan status stunting dengan akurasi di atas 98%. XGBoost menunjukkan kinerja terbaik dengan nilai akurasi, precision, recall, dan F1-score tertinggi, sementara SVM memiliki waktu komputasi yang lebih lama. CatBoost memberikan performa yang stabil dengan waktu komputasi yang relatif efisien. Hasil penelitian ini menunjukkan bahwa pendekatan machine learning efektif digunakan dalam klasifikasi status stunting berbasis data antropometri. Kata Kunci: Stunting, Antropometri, Machine Learning, Sistem Pendukung Keputusan, Kesehatan Anak.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer 500 ilmu pengetahuan alam dan matematika
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Ilmu Komputer
Pengguna Deposit:	2602261090 Digilib
Date Deposited:	24 Apr 2026 03:54
Terakhir diubah:	24 Apr 2026 03:54
URI:	http://digilib.unila.ac.id/id/eprint/98591

Actions (login required)

Lihat Karya Akhir