Klasifikasi Stunting Pada Balita Menggunakan Algoritma Decision Tree Pada Machine Learning

La Denna Hasri  Monasari; Nunik Pratiwi

doi:10.51454/decode.v5i2.1193

Authors

La Denna Hasri Monasari Teknik Informatika Universitas Muhammadiyah Prof. DR. HAMKA
Nunik Pratiwi Teknik Informatika Universitas Muhammadiyah Prof. DR. HAMKA

DOI:

https://doi.org/10.51454/decode.v5i2.1193

Keywords:

Balita, Decision Tree, Klasifikasi, Machine Learning, Status Gizi, Stunting

Abstract

Stunting adalah gangguan pertumbuhan yang dialami balita akibat kekurangan gizi sehingga menghambat pertumbuhan fisik dan perkembangan kognitif. Faktor penyebabnya meliputi kurangnya asupan nutrisi, rendahnya pendidikan orang tua, serta lingkungan kesehatan yang tidak memadai. Penelitian ini bertujuan untuk mengklasifikasi faktor penyebab terjadinya stunting sehingga dapat dilakukan intervensi dini, serta dapat mengembangkan model klasifikasi stunting menggunakan algoritma Decision Tree. Untuk mendeteksi risiko stunting secara dini, teknologi machine learning dimanfaatkan guna mengklasifikasikan data secara lebih akurat dan efisien. Penelitian ini menggunakan algoritma Decision Tree untuk mengkategorikan status gizi balita berdasarkan usia (bulan), jenis kelamin, dan tinggi badan (cm). Data diperoleh dari platform Kaggle, terdiri atas 121.000 data. Penelitian mencakup proses pengumpulan data, pre-processing data (cleaning data, deteksi outlier, dan label encoding), eksplorasi data, pemisahan data latih dan uji, serta pelatihan model. Penelitian ini menerapkan confusion matrix sebagai metode evaluasi untuk menilai kinerja model dalam klasifikasi stunting pada balita. Hasil evaluasi model Decision Tree memperoleh akurasi sebesar 95.73% dalam mengklasifikasi status gizi ke dalam empat kategori yaitu normal, stunted, severely stunted, dan tinggi. Temuan menunjukkan bahwa algoritma Decision Tree efektif dalam mengidentifikasi kondisi stunting serta mendukung sistem pemantauan gizi anak balita secara digital.

References

Antika, R., Ahmad, R. I., Dikananda, F., Efendi, D. I., & Narasati, R. (2023). Penerapan Algoritma Decision Tree Berbasis Pohon Keputusan Dalam Klasifikasi Penyakit Jantung. JATI (Jurnal Mahasiswa Teknik Informatika), 7(6), 3688-3692. https://doi.org/https://doi.org/10.36040/jati.v7i6.8264

Biyantoro, A. S., & Prasetiyo, B. (2024). Penerapan Decision Tree untuk Klasifikasi Status Kesehatan dengan Perbandingan KNN dan Naive Bayes. Indonesian Journal of Informatic Research and Software Engineering, 4(1), 47–55.

Fatmawati, D., Trisnawati, W., Jumaryadi, Y., & Triyono, G. (2023). Klasifikasi Tingkat Kepuasan Penggunaan Layanan Teknologi Informasi Menggunakan Decision Tree. 3(6), 1056–1062. https://doi.org/10.30865/klik.v3i6.803

Finda, S. M., & Utomo, D. W. (2024). Klasifikasi stunting balita menggunakan metode ensemble learning dan random forest. Jl. Imam Bonjol No, 15(02). https://doi.org/10.35970/infotekmesin.v15i2.2326

Fitriah, Imam Riadi, & Herman. (2023). Analisis Data Mining Sistem Inventory Menggunakan Algoritma Apriori. Decode: Jurnal Pendidikan Teknologi Informasi, 3(1), 118–129. https://doi.org/10.51454/decode.v3i1.132

Firdaus, A. A., Yudhana, A., & Riadi, I. (2023). Analisis Sentimen Pada Proyeksi Pemilihan Presiden 2024 Menggunakan Metode Support Vector Machine. Decode: Jurnal Pendidikan Teknologi Informasi, 3(2), 236-245. https://doi.org/10.51454/decode.v3i2.172

Guo, M., Wang, Y., Yang, Q., Li, R., Zhao, Y., Li, C., Zhu, M., Cui, Y., Jiang, X., Sheng, S., Li, Q., & Gao, R. (2023). Normal Workflow and Key Strategies for Data Cleaning Toward Real-World Data: Viewpoint. Interactive Journal of Medical Research, 12, e44310. https://doi.org/10.2196/44310

Hardiani, T., & Putri, R. N. (2024). Implementasi Metode Naïve Bayes Classifier Untuk Klasifikasi Stunting Pada Balita. Digital Transformation Technology, 4(1), 621–627. https://doi.org/10.47709/digitech.v4i1.4481

Herdian, C., Kamila, A., & Agung Musa Budidarma, I. G. (2024). Studi Kasus Feature Engineering Untuk Data Teks: Perbandingan Label Encoding dan One-Hot Encoding Pada Metode Linear Regresi. Technologia : Jurnal Ilmiah, 15(1), 93. https://doi.org/10.31602/tji.v15i1.13457

Jalil, A., Homaidi, A., & Fatah, Z. (2024). a Implementation of the Support Vector Machine Algorithm for Classifying Stunting Status in Toddlers. 8(3), 2070–2079. https://doi.org/https://doi.org/10.33379/gtech.v8i3.4811

Lonang, S., Yudhana, A., & Biddinika, M. K. (2023). Analisis Komparatif Kinerja Algoritma Machine Learning untuk Deteksi Stunting. 7, 2109–2117. https://doi.org/10.30865/mib.v7i4.6553

Melyani, S., Harahap, S. Z., & Irmayanti, I. (2024). Prediction of Stunting in Toddlers Combining the Naive Bayes Method and the C4. 5 Algorithm. Sinkron: jurnal dan penelitian teknik informatika, 8(2), 1160-1168. https://doi.org/10.33395/v8i2.13651

Putri, I. S. I., Pradini, R. S., & Anshori, M. (2024). Decision Tree Regression untuk Prediksi Prevalensi Stunting di Provinsi Nusa Tenggara Timur. Jurnal Teknologi Informatika dan Komputer, 10(2), 413-427. https://doi.org/https://doi.org/10.37012/jtik.v10i2.2179

Radhi, M., Amalia, A., Sitompul, D. R. H., Sinurat, S. H., & Indra, E. (2021). Analisis Big Data Dengan Metode Exploratory Data Analysis (Eda) Dan Metode Visualisasi Menggunakan Jupyter Notebook. Jurnal Sistem Informasi dan Ilmu Komputer, 4(2), 23-27. https://doi.org/https://doi.org/10.34012/jurnalsisteminformasidanilmukomputer.v4i2.2475

Raharja, A. R., Pramudianto, A., & Muchsam, Y. (2024). Penerapan algoritma decision tree dalam klasifikasi data ‘Framingham’untuk menunjukkan risiko seseorang terkena penyakit jantung dalam 10 tahun mendatang. Technol. J, 1(1). https://doi.org/https://doi.org/10.62872/cwgzp962

Ramadhani, F., Satria, A., & Sari, I. P. (2023). Implementasi Metode Fuzzy K-Nearest Neighbor dalam Klasifikasi Penyakit Demam Berdarah. Hello World Jurnal Ilmu Komputer, 2(2), 58–62. https://doi.org/10.56211/helloworld.v2i2.253

Samosir, V. B., Widodo, A. M., Anwar, N., Sekti, B. A., & Erzed, N. (2024). Identifikasi Outlier Menggunakan Teknik Data Mining Clustering Untuk Analisis Data Tracer Study Pada Fakultas Ilmu Komputer Universitas Esa Unggul. IKRA-ITH Informatika: Jurnal Komputer dan Informatika, 8(1), 162-174. https://doi.org/10.37817/ikraith-informatika.v8i1

Sudrajat, W., & Cholid, I. (2023). K-Nearest Neighbor (K-Nn) Untuk Penanganan Missing Value Pada Data Umkm. Jurnal Rekayasa Sistem Informasi dan Teknologi, 1(2), 54-63. https://doi.org/https://doi.org/10.47065/jieee.v2i3.891

Syam, N. T., & Saharuna, Z. (2024). Penerapan Machine Learning Untuk Mengatasi Ketimpangan Data Dalam Menentukan Klasifikasi Uang Kuliah Tunggal (UKT). Journal of Informatics and Computer Engineering Research, 1(1), 7-14.

Syaqhasdy, N. O., Martha, Z., Amalita, N., & Fitria, D. (2023). Classification of Nutrition Problems for Indonesian Toddler with Decision Tree Algorithm C4. 5. UNP Journal of Statistics and Data Science, 1(5), 413-419. https://doi.org/https://doi.org/10.24036/ujsds/vol1-iss5/98

World Health Organization. (2024). Malnutrition. https://www.who.int/news-room/fact-sheets/detail/malnutrition