Perbandingan 4 Algoritma Klasifikasi untuk Deteksi Balita Stunting dengan Tool RapidMiner

Abstract

Stunting pada balita merupakan permasalahan kesehatan kronis yang berdampak pada tumbuh kembang anak secara jangka panjang. Penelitian ini bertujuan untuk membandingkan kinerja empat algoritma klasifikasi K-Nearest Neighbors (KNN), Naive Bayes, Decision Tree, dan Random Forest dalam mendeteksi status gizi balita berbasis data mining menggunakan tool RapidMiner. Dataset yang digunakan terdiri dari 121.000 data balita dengan atribut umur, jenis kelamin, tinggi badan, dan status gizi. Penelitian ini mencakup tahapan preprocessing data, pelatihan model, dan evaluasi kinerja berdasarkan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa KNN memberikan performa terbaik dengan akurasi 99,89% dan keseimbangan tinggi pada semua metrik evaluasi, sedangkan Naive Bayes mencatatkan performa terendah dengan akurasi 55,48%. Kesimpulan dari penelitian ini menegaskan bahwa pemilihan algoritma yang sesuai sangat bergantung pada karakteristik data dan tujuan klasifikasi, di mana KNN terbukti unggul dalam konteks deteksi stunting berbasis data spasial.