Studi Perbandingan Performa: Prediksi Status Stunting Pada Anak Berdasarkan Data Antropometri Menggunakan Algoritma Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN)

Abstract

Stunting adalah kondisi gagal tumbuh akibat kekurangan gizi jangka panjang, mengancam kesehatan fisik dan perkembangan kognitif anak. Survei Kesehatan Indonesia (SKI) 2023 mengungkap data prevalensi stunting di Indonesia mencapai 21,5%, jauh dari target 14% yang ditargetkan untuk tahun 2024. Penentuan status stunting secara manual melalui pengukuran berat dan tinggi badan memiliki keterbatasan, seperti ketergantungan pada keterampilan petugas dan kurang efisien untuk populasi besar. Oleh karena itu, teknologi machine learning, seperti Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN), menawarkan solusi inovatif dengan akurasi tinggi. SVM mencari hyperplane terbaik untuk memisahkan data stunting dan non-stunting, sementara KNN mengklasifikasikan data baru berdasarkan kedekatan dengan data yang sudah ada. Penelitian ini bertujuan untuk membandingkan performa SVM dan KNN dalam memprediksi status stunting. Hasil penelitian menunjukkan bahwa SVM dengan menggunakan kernel RBF dan parameter C=10 mencapai akurasi sebesar 97,11%, presisi 97,10%, recall 97,11%, dan F1-score 97,10%. Sementara itu, metode KNN dengan k=1 mencapai akurasi 97,05%, presisi 97,05%, recall 97,05%, dan F1-score 97,05%.  Dengan demikian, SVM lebih unggul dalam akurasi dan efisiensi untuk diagnosis stunting dengan memberikan solusi yang lebih tepat, cepat, dan luas dalam menangani permasalahan stunting.