Pembuatan Aplikasi Klasifikasi Keluarga Risiko Stunting menggunakan Algoritma Extreme Gradient Boosted Trees

Abstract

Stunting merupakan permasalahan gizi kronis yang masih banyak ditemukan di Indonesia dan berdampak langsung pada kualitas sumber daya manusia. Pencegahan stunting membutuhkan upaya deteksi dini, salah satunya melalui pemanfaatan teknologi berbasis data. Kondisi inilah yang melatarbelakangi penelitian ini, yaitu merancang sebuah sistem klasifikasi keluarga risiko stunting yang dapat digunakan sebagai alat bantu dalam identifikasi awal. Tujuan dari penelitian ini adalah membangun model klasifikasi keluarga risiko stunting menggunakan algoritma Extreme Gradient Boosted Trees (XGBoost) serta mengimplementasikannya dalam bentuk aplikasi berbasis web. Sistem ini diharapkan mampu memberikan kemudahan bagi pengguna dalam memasukkan data keluarga dan memperoleh hasil klasifikasi secara cepat. Metode penelitian dimulai dengan tahap pengolahan data, meliputi exploratory data analysis (EDA) untuk memahami pola data, pembersihan data dari nilai kosong maupun duplikat, serta proses encoding pada fitur kategorikal. Data kemudian dibagi menjadi data latih dan data uji, dengan penanganan ketidakseimbangan kelas menggunakan metode Synthetic Minority Oversampling Technique (SMOTE). Untuk meningkatkan kinerja model, dilakukan hyperparameter tuning melalui GridSearchCV. Selanjutnya, model dievaluasi menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan f1-score