Klasifikasi Status Gizi Balita Menggunakan Algoritma Light Gradient Boosting Machine di Puskesmas Balibo
DOI:
https://doi.org/10.57250/ajst.v4i1.2591Kata Kunci:
Status Gizi Balita, LightGBM, Machine Learning, Klasifikasi, Data MiningAbstrak
Status gizi balita merupakan indikator penting dalam menentukan tingkat kesehatan dan perkembangan anak. Penentuan status gizi secara konvensional sering kali membutuhkan waktu yang lama dan berpotensi menimbulkan kesalahan dalam proses identifikasi. Penelitian ini bertujuan untuk mengklasifikasikan status gizi balita menggunakan algoritma Light Gradient Boosting Machine (LightGBM) sebagai pendekatan machine learning yang cepat dan akurat. Dataset yang digunakan berasal dari Puskesmas Balibo dengan jumlah data sebanyak 860 data balita yang mencakup variabel umur, jenis kelamin, tinggi badan, berat badan, BMI, indikator BB/U, dan TB/U. Tahapan penelitian meliputi pengumpulan data, preprocessing data, pembagian data latih dan data uji, pelatihan model LightGBM, serta evaluasi performa model menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma LightGBM mampu menghasilkan performa klasifikasi yang baik dengan tingkat akurasi mencapai 94%. Model ini mampu mengidentifikasi kategori status gizi balita secara efektif dan efisien sehingga dapat membantu tenaga kesehatan dalam mendukung deteksi dini masalah gizi pada balita.
Referensi
Choeriyah, S. S., Fanhas, R. S., Fathah, A., et al. (2022). Implementasi algoritma K-nearest neighbor (K-NN) dalam klasifikasi status gizi balita. Cipasung Techno Progress, 1(1), 18–22. Cipasung Techno Progress
Handayani, P., & Fauzan, C. A. (2024). Machine learning klasifikasi status gizi balita menggunakan algoritma random forest. KLIK: Kajian Ilmiah Informatika dan Komputer, 4(6), 3064–3072. https://doi.org/10.30865/klik.v4i6.1909
Harliana, & Anggraini, D. (2023). Penerapan algoritma naïve Bayes pada klasifikasi status gizi balita di Posyandu Desa Kalitengah. Jurnal Informatika Komputer, Bisnis dan Manajemen, 21(2), 38–45. https://doi.org/10.61805/fahma.v21i2.16
Madiko, S. O., Ilham, R., & Mojdo, D. (2023). Hubungan status gizi balita dengan kejadian stunting di wilayah kerja Puskesmas Kota Timur. Jurnal Ilmu Kedokteran dan Kesehatan Indonesia, 3(1), 155–164. https://doi.org/10.55606/jikki.v3i1.1201
Nurhalizah, R. S., & Ardianto, R. (2024). Analisis supervised dan unsupervised learning pada machine learning: Systematic literature review. 4(1), 61–72.
Septiana Rizky, P., Hirzi, R. H., & Hidayaturrohman, U. (2022). Perbandingan metode LightGBM dan XGBoost dalam menangani data dengan kelas tidak seimbang. J Statistika: Jurnal Ilmiah Teori dan Aplikasi Statistika, 15(2), 228–236. https://doi.org/10.36456/jstat.vol15.no2.a5548
