Publisher

PDSIPDSI

Journal Bulletin of Informatics and Data ScienceBulletin of Informatics and Data Science Abstract

Stunting pada balita tetap menjadi masalah kesehatan global yang serius dengan dampak jangka panjang pada perkembangan fisik dan kognitif anak-anak. Menurut laporan terbaru UNICEF, WHO, dan World Bank (2023), sekitar 148 juta anak di bawah usia lima tahun di seluruh dunia terkena stunting, dengan prevalensi tertinggi dilaporkan di Asia Selatan dan Afrika Sub-Sahara [1]. Stunting tidak hanya mempengaruhi perkembangan fisik tetapi juga kemampuan kognitif, meningkatkan kerentanan terhadap penyakit, dan mengurangi produktivitas jangka panjang [2]. Oleh karena itu, deteksi dini status gizi, khususnya dalam mengidentifikasi kasus stunting, adalah langkah penting dalam mendukung intervensi kesehatan yang didorong data.

Conclusion

Penelitian ini berhasil mengembangkan model hibrid dengan menggabungkan Gradient Boosting dengan teknik SMOTE-ENN untuk meningkatkan kinerja klasifikasi status gizi balita pada data yang tidak seimbang.Model hibrid yang diusulkan secara signifikan meningkatkan recall untuk kelas stunted dari 61,80% menjadi 98,41%, dan F1-score dari 71,93% menjadi 83,58%, menunjukkan peningkatan sensitivitas terhadap kelas minoritas.Selain itu, akurasi keseluruhan model meningkat dari 92,39% menjadi 93,35%, disertai dengan peningkatan skor ROC-AUC dari 99,08% menjadi 99,63%.Temuan ini menunjukkan bahwa integrasi SMOTE-ENN tidak hanya meningkatkan distribusi data tetapi juga meningkatkan kemampuan model untuk mengklasifikasikan semua kategori secara lebih adil.Namun, penurunan presisi untuk kelas minoritas menunjukkan kemungkinan peningkatan false positive akibat introduksi data sintetis.Penelitian masa depan disarankan untuk mengeksplorasi kombinasi metode alternatif seperti penyesuaian bobot kelas, undersampling adaptif, atau penggunaan algoritma boosting lainnya seperti LightGBM atau CatBoost dengan optimasi hyperparameter yang lebih intensif untuk mencapai hasil yang lebih stabil dan optimal.

Future Research

Untuk penelitian lanjutan, disarankan untuk mengeksplorasi kombinasi metode alternatif seperti penyesuaian bobot kelas, undersampling adaptif, atau penggunaan algoritma boosting lainnya seperti LightGBM atau CatBoost dengan optimasi hyperparameter yang lebih intensif. Selain itu, penelitian dapat dilakukan untuk menguji efektivitas teknik-teknik post-oversampling yang lebih maju atau metode-metode boosting lainnya dalam meningkatkan kinerja model. Penelitian juga dapat dilakukan untuk mengoptimalkan parameter-parameter model dan mengeksplorasi teknik-teknik pengolahan data tambahan untuk meningkatkan kinerja klasifikasi status gizi balita pada data yang tidak seimbang.

References

1. Significant of Gradient Boosting Algorithm in Data Management System | Engineering International. gradient... doi.org/10.18034/ei.v9i2.559Significant of Gradient Boosting Algorithm in Data Management System Engineering International gradient doi 10 18034 ei v9i2 559
2. Stroke Prediction with Enhanced Gradient Boosting Classifier and Strategic Hyperparameter | MATRIK :... journal.universitasbumigora.ac.id/index.php/matrik/article/view/3555Stroke Prediction with Enhanced Gradient Boosting Classifier and Strategic Hyperparameter MATRIK journal universitasbumigora ac index php matrik article view 3555

Metadata

File size	504.82 KB
Pages	9
DMCA	Report