Prediksi Stunting Menggunakan Algoritma Decision Tree Berbasis Synthetic Minority Over-sampling Technique (SMOTE)

Abstrak

Stunting merupakan tanda dari masalah gizi buruk yang serius dan dapat mengakibatkan balita memiliki tinggi badan pendek dan mempengaruhi pertumbuhan dan perkembangan balita. Data dalam penelitian menggunakan data antropometri balita dari puskesmas Majasem di bulan September 2024, total ada 1368 data balita yang telah direkam pada rentang waktu tersebut. Model Decision Tree  yang digunakan bertujuan untuk memprediksi status balita, berdasarkan kategori stunting. Namun, algoritma Decision Tree seringkali menghadapi masalah akurasi yang tidak optimal dikarenakan oleh ketidakseimbangan data kelas dalam dataset. Metode SMOTE digunakan sebagai upaya untuk mengatasi masalah ketidakseimbangan kelas, dengan begitu kelas di dalam dataset akan seimbang. Penelitian ini berhasil membuktikan bahwa metode SMOTE mampu meningkatkan akurasi model Decision Tree, akurasi model dengan SMOTE terbaik adalah sebesar 98,56% pada data training dan 96,91% pada data testing dengan proporsi data 80:20. Penelitian ini berguna untuk membantu tenaga kesehatan untuk memberikan wawasan yang lebih baik terhadap status gizi balita, selain itu dengan model yang dikembangkan bisa meningkatkan efektivitas intervensi kesehatan masyarakat.