Klasifikasi Status Stunting Balita Menggunakan Algoritma XGBoost dengan Pendekatan Stratified K-Fold Cross Validation

Rulianda, Elvin (2026) Klasifikasi Status Stunting Balita Menggunakan Algoritma XGBoost dengan Pendekatan Stratified K-Fold Cross Validation. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (219kB)
	Text BAB II.pdf Restricted to Registered users only Download (359kB)
	Text BAB III.pdf Restricted to Registered users only Download (239kB)
	Text BAB IV.pdf Restricted to Registered users only Download (176kB)
	Text BAB V.pdf Download (816kB)
	Text DAFTAR PUSTAKA.pdf Download (235kB)

Abstract

Stunting merupakan permasalahan gizi kronis pada balita yang berdampak jangka panjang terhadap pertumbuhan fisik, perkembangan kognitif, dan kualitas sumber daya manusia, sehingga diperlukan metode deteksi dini yang akurat. Penelitian ini bertujuan untuk mengklasifikasikan status stunting balita menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan pendekatan Stratified K-Fold Cross Validation. Dataset yang digunakan bersumber dari Kaggle dan terdiri dari 120.999 data balita dengan atribut umur (bulan), jenis kelamin, dan tinggi badan (cm), yang di klasifikasikan ke dalam dua kelas, yaitu stunting dan tidak stunting. Model XGBoost dipilih karena kemampuannya dalam menangani data berskala besar dan pola nonlinier serta dilengkapi mekanisme boosting dan regularisasi untuk mengurangi risiko overfitting. Hasil evaluasi menunjukkan bahwa model XGBoost mencapai tingkat akurasi sebesar 98%, dengan nilai precision 98%, recall 97%, dan F1-score 98%, sedangkan analisis confusion matrix menunjukkan sebagian besar data berhasil diklasifikasikan dengan benar dan kesalahan prediksi relatif kecil. Dengan demikian, algoritma XGBoost dengan pendekatan Stratified K-Fold Cross Validation terbukti mampu menghasilkan model klasifikasi yang akurat, stabil, dan andal untuk mendukung deteksi dini serta pencegahan stunting pada balita.

Actions (login required)

View Item