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	Text ABSTRAK.pdf Download (74kB) | Preview
	Text FILE SKRIPSI FULL.pdf Restricted to Repository staff only Download (2MB) | Request a copy
Preview	Text FILE SKRIPSI FULL TANPA BAB PEMBAHASAN.pdf Download (2MB) | Preview

Abstract

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.

Item Type:	Other
Subjects:	?? 000 ?? ?? 004 ?? ?? 500 ??
Divisions:	Fakultas MIPA > Prodi Ilmu Komputer
Depositing User:	2602261090 Digilib
Date Deposited:	24 Apr 2026 03:54
Last Modified:	24 Apr 2026 03:54
URI:	http://digilib.unila.ac.id/id/eprint/98591

Actions (login required)

View Item