Perbandingan Metode SMOTE-N dan ADASYN-N pada Algoritma Random Forest untuk Klasifikasi Keluarga Berisiko Stunting (Studi Kasus: Keluarga Berisiko Stunting di Kabupaten Purbalingga Tahun 2024)

Abstract

Stunting merupakan masalah kesehatan serius di Indonesia yang berdampak pada perkembangan fisik, kognitif, serta produktivitas anak. Salah satu upaya pencegahan yang dapat dilakukan adalah mengidentifikasi secara dini terhadap keluarga yang berisiko melahirkan anak stunting. Namun, data keluarga stunting umumnya memiliki ketidakseimbangan kelas yang dapat menurunkan akurasi model klasifikasi. Penelitian ini bertujuan untuk mengetahui perbandingan kinerja metode klasifikasi keluarga berisiko stunting di Kabupaten Purbalingga menggunakan algoritma Random Forest dengan 15 variabel prediktor, baik sebelum maupun sesudah dilakukan penanganan ketidakseimbangan kelas data dengan metode SMOTE-N dan ADASYN-N. Berdasarkan hasil penelitian, model Random Forest dengan metode ADASYN-N menunjukkan kinerja klasifikasi yang paling optimal dalam klasifikasi keluarga berisiko stunting di Kabupaten Purbalingga dengan nilai sensitivity sebesar 96,08%, specificity sebesar 99,83%, dan AUC sebesar 97,95%. Variabel yang paling berpengaruh secara berurutan adalah Kelayakan Jamban, Peserta KB Modern, Sumber Air Minum, Terlalu Tua, Terlalu Banyak.