Perbandingan algoritma Support Vector Machine, Random Forest dan Gradient Boosting untuk klasifikasi balita stunting

Djodha, Ghilba Qinthara (2026) Perbandingan algoritma Support Vector Machine, Random Forest dan Gradient Boosting untuk klasifikasi balita stunting. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (158kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (172kB) | Preview
Preview	Text (SK BEBAS PLAGIARISM) 3_skbebasplagiarism.pdf Download (625kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (202kB) | Preview
Preview	Text (BAB 1) 5_bab1.pdf Download (233kB) | Preview
	Text (BAB 2) 6_bab2.pdf Restricted to Registered users only Download (532kB)
	Text (BAB 3) 7_bab3.pdf Restricted to Registered users only Download (562kB)
	Text (BAB 4) 8_bab4.pdf Restricted to Registered users only Download (574kB)
	Text (BAB 5) 9_bab5.pdf Restricted to Registered users only Download (183kB)
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (215kB)
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (583kB)

Abstract

Stunting merupakan salah satu permasalahan gizi kronis pada balita yang dapat menghambat pertumbuhan fisik, perkembangan kognitif, serta menurunkan kualitas sumber daya manusia di masa mendatang. Pemanfaatan teknologi machine learning dapat menjadi alternatif dalam membantu proses klasifikasi status balita stunting secara cepat dan akurat. Penelitian ini bertujuan mengimplementasikan algoritma Support Vector Machine (SVM), Random Forest, dan Gradient Boosting, serta membandingkan kinerja ketiga algoritma tersebut pada klasifikasi balita stunting menggunakan metode 10×10 Repeated Stratified K-Fold Cross Validation. Penelitian dilaksanakan mengikuti tahapan CRISP-DM yang meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Dataset yang digunakan berjumlah 100.000 data antropometri balita dengan tiga fitur masukan, yaitu jenis kelamin, umur, dan tinggi badan, serta empat kelas target, yaitu Normal, Severely Stunted, Stunted, dan Tall. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1 score. Hasil penelitian menunjukkan bahwa Random Forest memperoleh performa terbaik dengan rata-rata accuracy sebesar 100%, precision sebesar 1000%, recall sebesar 100%, dan F1-score sebesar 100%, diikuti oleh Gradient Boosting dan Support Vector Machine (SVM). Oleh karena itu, Random Forest direkomendasikan sebagai algoritma yang paling optimal untuk klasifikasi balita stunting pada dataset yang digunakan maupun dataset dengan karakteristik serupa.

Actions (login required)

View Item