Komparasi performa model machine learning algoritma XGBoost dan Random Forest pada studi kasus mendeteksi stunting

Abstrak

Stunting merupakan masalah kurang gizi kronis akibat asupan nutrisi yang tidak mencukupi dalam jangka panjang yang menyebabkan anak-anak memiliki tinggi badan lebih pendek dari standar usianya. Seringkali stunting dianggap sebagai faktor keturunan, sehingga kondisi ini membuat masyarakat cenderung pasif tanpa tindakan pencegahan yang tepat. Deteksi dini sangat penting untuk intervensi yang efektif. Penelitian ini membandingkan algoritma XGBoost dan Random Forest untuk mendeteksi stunting pada anak-anak dan mengatasi tantangan yang kompleks dalam proses tersebut. Data diperoleh dari Kaggle dan Dinas Kesehatan Kota Semarang. Penelitian melewati tahap pra-pemrosesan sebelum digabungkan. Optuna digunakan untuk otomatisasi hyperparameter tuning guna mencapai akurasi yang optimal. Hasil penelitian menunjukkan keberhasilan model deteksi stunting dengan akurasi 85,26% untuk XGBoost dan 85,78% untuk Random Forest menggunakan data tidak seimbang, serta 88,42% untuk XGBoost dan 85,78% untuk Random Forest menggunakan data seimbang. Penelitian ini menunjukkan bahwa algoritma berhasil dalam menangani masalah kurang gizi.