Publisher

PIPI

Journal JOISIE (Journal Of Information Systems And Informatics Engineering)JOISIE (Journal Of Information Systems And Informatics Engineering) Abstract

Masalah gizi tetap menjadi perhatian utama kesehatan masyarakat di banyak negara, termasuk Indonesia. Studi ini merancang dan mengevaluasi sistem klasifikasi otomatis untuk status gizi balita berdasarkan indikator berat badan terhadap tinggi badan menggunakan algoritma XGBoost. Dataset terdiri dari 1.763 anak Indonesia berusia 24–60 bulan, dengan status gizi dikategorikan menjadi enam kelas (gizi baik, risiko gizi lebih, gizi kurang, gizi buruk, gizi lebih, obesitas). Variabel prediktor meliputi jenis kelamin, usia dalam bulan, berat badan, tinggi badan, dan skor Z berat badan terhadap tinggi badan. Praproses meliputi pembersihan data, penghapusan duplikat, pengkodean label, standardisasi, dan pembagian data latih-uji 80:20. Model XGBoost dasar dibandingkan dengan model yang disetel menggunakan GridSearch dengan validasi silang 3-fold dan 10-fold. Kinerja dievaluasi menggunakan akurasi, presisi makro, recall makro, skor F1 makro, dan log loss. Model terbaik, XGBoost dengan GridSearch 10-fold, mencapai akurasi 0,8689, skor F1 0,8149, dan log loss 0,3395, lebih baik daripada log loss dasar sebesar 0,4190. Temuan ini menunjukkan bahwa penyetelan hyperparameter XGBoost dengan GridSearch menghasilkan prediksi probabilistik yang terkalibrasi dengan baik dan merupakan alat pendukung keputusan yang menjanjikan untuk deteksi dini kekurangan gizi dan obesitas pada balita di fasilitas perawatan kesehatan primer.

Conclusion

GridSearch terbukti mampu meningkatkan kinerja algoritma XGBoost pada klasifikasi status gizi balita berbasis indikator BB/TB.Model dengan kinerja paling konsisten dan unggul adalah XGBoost yang dituning menggunakan GridSearchCV dengan validasi silang 10-fold.Pada konfigurasi ini, akurasi akhir model mencapai 0,8689 dengan nilai log loss sebesar 0,3395, lebih rendah dibandingkan model baseline.Cross-validation yang lebih rapat membuat pemilihan hyperparameter menjadi lebih andal, meskipun harus dibayar dengan waktu komputasi tuning yang jauh lebih besar, sementara waktu pelatihan akhir (final fit) relatif tetap singkat.

Future Research

Untuk penelitian lanjutan, disarankan mengombinasikan GridSearchCV dengan metode tuning hyperparameter lain, seperti Random Search atau Bayesian Optimization, guna mengurangi waktu komputasi tanpa mengorbankan kinerja model. Selain itu, perlu dilakukan pengujian generalisasi model ke wilayah lain dan perbandingan langsung dengan algoritma klasifikasi lain. Model yang dihasilkan berpotensi dimanfaatkan sebagai alat bantu keputusan bagi tenaga gizi di puskesmas untuk menilai status gizi balita berbasis indikator BB/TB secara lebih konsisten, cepat, dan terukur.

References

1. Application of the XGBoost Model with Hyperparameter Tuning for Industry Classification for Job Applicants... jurnal.polgan.ac.id/index.php/sinkron/article/view/13840Application of the XGBoost Model with Hyperparameter Tuning for Industry Classification for Job Applicants jurnal polgan ac index php sinkron article view 13840
2. Application of Machine Learning in FPGA EDA Tool Development | IEEE Journals & Magazine | IEEE Xplore.... doi.org/10.1109/ACCESS.2023.3322358Application of Machine Learning in FPGA EDA Tool Development IEEE Journals Magazine IEEE Xplore doi 10 1109 ACCESS 2023 3322358
3. A new grid search algorithm based on XGBoost model for load forecasting | Tran | Bulletin of Electrical... beei.org/index.php/EEI/article/view/5016A new grid search algorithm based on XGBoost model for load forecasting Tran Bulletin of Electrical beei index php EEI article view 5016

Metadata

File size	609.37 KB
Pages	12
DMCA	Report