Reza Aulia Primary Author mixed material bibliography Banda Aceh Fakultas MIPA (S2) 2025

Theses

Stunting merupakan permasalahan kesehatan seluruh dunia yang berdampak signifikan terhadap pertumbuhan dan perkembangan anak. Prevalensi stunting di Indonesia masih tinggi, termasuk di Provinsi Aceh yang mencapai 31,2%, jauh di atas rata-rata nasional sebesar 21,6%. Kondisi ini menuntut pendekatan berbasis data untuk mendukung deteksi dini dan intervensi yang lebih efektif. Penelitian ini bertujuan untuk membandingkan kinerja berbagai algoritma machine learning dalam memprediksi status gizi anak, mengidentifikasi fitur yang paling berpengaruh terhadap status gizi, serta mengembangkan model prediksi yang akurat dan dapat diandalkan. Data yang digunakan adalah dataset Survei Status Gizi Indonesia (SSGI) Provinsi Aceh 2022. Penelitian ini menggunakan lima algoritma machine learning, yaitu Decision Tree, Random Forest, XGBoost, Support Vector Machine (SVM), dan Logistic Regression. Data preprocessing dilakukan dengan simple imputation untuk mengisi nilai yang hilang, serta nominal encoding untuk transformasi fitur kategorikal. Teknik seleksi fitur Recursive Feature Elimination (RFE) dan balancing data Synthetic Minority Oversampling Technique (SMOTE) diterapkan untuk meningkatkan kualitas model dan menangani ketidakseimbangan data. Hasil penelitian menunjukkan bahwa model dengan kombinasi RFE dan SMOTE memberikan performa terbaik dalam meningkatkan recall dan AUC-ROC. Pengujian dilakukan terhadap 5 model. Model terbaik yang diperoleh adalah SVM dengan recall tertinggi sebesar 96,75%, serta AUC-ROC sebesar 92,34%. Identifikasi fitur menggunakan model SVM dan kombinasi RFE dan SMOTE diperoleh sebanyak 2 fitur utama yaitu Panjang_Tinggi_Badan dan Umur_Balita sebagai faktor paling berpengaruh, dengan masing-masing fitur memiliki nilai 0,436 dan 0,370 sebagai faktor yang memberikan kontribusi terbesar dalam meningkatkan performa model prediksi. Model prediksi yang dikembangkan dapat menjadi alat bantu yang efektif untuk mendukung deteksi dini stunting di Provinsi Aceh, sehingga dapat mendukung upaya intervensi gizi yang lebih tepat sasaran. Kata Kunci: machine learning, recursive feature elimination, prediksi status gizi, smote, stunting 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 164879 2025-07-22 13:39:23 2025-07-22 14:48:41 machine generated