Pengembangan Sistem Prediksi Status Gizi Balita Berbasis Website Menggunakan Metode Random Forest di Posyandu Kumis Kucing

Development of a Prediction System for Toddler Nutritional Status Website Based Using Random Forest Method at Posyandu Kumis Kucing

Malnutrisi adalah suatu masalah kesehatan dan kesejahteraan yang cukup serius di negara manapun. Malnutrisi mengacu kepada dua kondisi yang berbeda yaitu kekurangan gizi dan kelebihan berat badan. Untuk kelebihan berat badan dapat menyebabkan diabetes, kanker, stroke, dan penyakit jantung. Fokus pada penelitian ini adalah pada kekurangan gizi yang mencangkup stunting, wasting, dan underweight. Data yang digunakan dalam penelitian ini berasal dari survei BDHS yang dilakukan pada tahun 2014 dan data dari Posyandu Kumis Kucing Dalam upaya mengatasi masalah tersebut, penelitian ini mengembangkan sebuah website untuk sistem prediksi status gizi balita dengan menerapkan pendekatan machine learning yaitu dengan metode random forest. Dengan penerapan random forest pada sebuah sistem prediksi berbasis website mendapatkan hasil berupa ketepatan prediksi dan membantu identifikasi dini resiko malnutrisi pada balita yang pada akhirnya mengurangi angka malnutrisi di masyarakat di lingkup Posyandu Kumis Kucing dengan hasil akurasi sebesar 82% untuk kategori Stunting, 90% untuk kategori Wasting, dan 84.7% untuk kategori Underweight. Kemudian melewati tahap optimasi menggunakan RandomSearchCV yang mendapatkan akurasi sebesar 97.7% untuk kategori Stunting, 97.4% untuk kategori Wasting, dan 97.9% untuk kategori Underweight.

Kata Kunci : Malnutrisi, Kekurangan Gizi, Prediksi Status Gizi Balita, Machine Learning, Random Forest. 

Malnutrition is a serious health and well-being issue in any country. Malnutrition refers to two different conditions there are undernutrition and overweight. Overweight can lead to diabetes, cancer, stroke, and heart disease. The focus of this study is on undernutrition, which includes stunting, wasting, and underweight. The data used in this study comes from the BDHS survey conducted in 2014 and data from the Posyandu Kumis Kucing. In an effort to address this issue, this study developed a website for a nutritional status prediction system for toddlers by applying a machine learning approach using the random forest method. The implementation of random forest in a web-based prediction system resulted in accurate predictions and assisted in the early identification of malnutrition risks in toddlers, ultimately reducing the rate of malnutrition in the community within the Posyandu Kumis Kucing area. The system achieved an accuracy of 82% for the Stunting category, 90% for the Wasting category, and 84.7% for the Underweight category. Subsequently, optimization using RandomSearchCV was conducted, achieving an accuracy of 97.7% for the Stunting category, 97.4% for the Wasting category, and 97.9% for the Underweight category.

Keywords : Malnutrition, Undernutrition, Prediction of Toddler Nutritional Status, Machine Learning, Random Forest.