Implementasi Random Forest dalam Klasifikasi Kasus Stunting pada Balita dengan Hyperparameter Tuning Grid Search

Abstract

Stunting adalah isu kesehatan yang menjadi perhatian global. Stunting berkaitan erat dengan kondisi pertumbuhan dan perkembangan yang mengalami gangguan disebabkan oleh kekurangan gizi kronis. Untuk mengatasi masalah ini, diperlukan deteksi dini dengan mengklasifikasikan status stunting pada balita. Random Forest adalah sebuah metode klasifikasi yang dikembangkan dari Decision Tree, dapat digunakan untuk mengolah data kesehatan anak dan faktor-faktor terkait guna memprediksi risiko stunting dengan lebih akurat. Dalam penelitian ini, digunakan dataset yang terdiri dari 10.000 baris data, dengan 80% data sebagai data latih dan sebanyak 20% data uji. Diperoleh hasil pemodelan Random Forest dengan akurasi 0.7730. Selanjutnya digunakan optimasi parameter menggunakan Grid Search yang berhasil meningkatkan akurasi model menjadi 0.9578.