Detail Cantuman

Salah satu masalah gizi kronis yaitu stunting masih menjadi secara signifikan di Indonesia, dengan prevalensi nasional mencapai 21,5%. Penentuan status gizi balita umumnya mengacu pada standar antropometri, namun data yang diperoleh sering memiliki variasi dan ketidaksempurnaan, sehingga membutuhkan pendekatan analisis berbasis data. Penelitian ini bertujuan membandingkan kinerja model klasifikasi status gizi balita menggunakan SVM linear dan SVM non-linear yang dioptimasi menggunakan Grid Search. Dataset diperoleh dari Puskesmas Griya Antapani, mencakup atribut jenis kelamin, umur, berat, tinggi, lingkar lengan atas, lingkar kepala, dan status gizi sebagai kelas. Synthetic Minority Over-sampling Technique (SMOTE) diterapkan pada data latih untuk mengatasi ketidakseimbangan kelas. Hasil penelitian menunjukkan bahwa optimasi hyperparameter pada SVM dengan kombinasi {Kernel=RBF, C=100, gamma=0.01} berhasil meningkatkan akurasi model hingga 97%, lebih tinggi dibandingkan SVM linear. Model terbaik kemudian diimplementasikan ke dalam aplikasi berbasis website untuk memvalidasi kinerjanya terhadap data baru. Hasil penelitian menunjukkan bahwa pendekatan machine learning berbasis SVM dapat menjadi pelengkap dalam analisis klasifikasi status gizi balita, tanpa menggantikan standar antropometri yang berlaku.