<![CDATA[Abstrak - Status gizi anak merupakan indikator penting dalam menentukan kondisi kesehatan dan tumbuh kembang balita. Penelitian ini bertujuan untuk mengklasifikasikan status gizi anak berdasarkan data antropometri dan demografis menggunakan algoritma Gradient Boosting Classifier (GBM). Data yang digunakan berasal dari sumber primer dengan total 521 sampel valid setelah proses pembersihan. Tahapan penelitian meliputi prapemrosesan data, eksplorasi data, pelatihan model, serta evaluasi performa. Proses prapemrosesan mencakup transformasi usia menjadi numerik, standardisasi fitur numerik, one-hot encoding pada fitur kategorikal, dan label encoding pada target. Model dievaluasi menggunakan metrik akurasi, F1-score, dan ROC AUC. Hasil evaluasi menunjukkan bahwa model GBM mampu mencapai akurasi sebesar ±90%, F1-score tertimbang 0.89, dan ROC AUC macro sebesar 0.88. Namun, model menunjukkan performa yang jauh lebih baik dalam mengklasifikasikan kelas mayoritas (“Normal”) dibandingkan kelas minoritas seperti “Gizi Kurang” dan “Gizi Lebih”, yang mengindikasikan adanya masalah ketidakseimbangan kelas. Oleh karena itu, penelitian ini merekomendasikan penerapan teknik penyeimbangan data seperti oversampling (SMOTE), undersampling, serta eksplorasi model lain yang lebih adaptif terhadap distribusi kelas tidak seimbang untuk meningkatkan kinerja klasifikasi secara keseluruhan.Kata Kunci: Status Gizi; Gradient Boosting; Machine Learning; Class Imbalance; BB/TB; Abstract - Nutritional status of children is a crucial indicator in determining the health and developmental conditions of toddlers. This study aims to classify children's nutritional status based on anthropometric and demographic data using the Gradient Boosting Classifier (GBM) algorithm. The data were obtained from a primary source, comprising a total of 521 valid samples after the data cleaning process. The research stages include data preprocessing, exploratory data analysis, model training, and performance evaluation. The preprocessing involved transforming age into numerical format, standardizing numerical features, applying one-hot encoding for categorical features, and label encoding for the target variable. The model was evaluated using accuracy, F1-score, and ROC AUC metrics. The results showed that the GBM model achieved an accuracy of approximately 90%, a weighted F1-score of 0.89, and a macro-average ROC AUC score of 0.88. However, the model performed significantly better in classifying the majority class ("Normal") compared to minority classes such as "Undernutrition" and "Overnutrition," indicating a class imbalance issue. Therefore, this study recommends the application of data balancing techniques such as oversampling (SMOTE), undersampling, and exploring alternative models that are more robust to imbalanced class distributions to improve overall classification performance. Keywords: Nutritional Status; Gradient Boosting; Machine Learning; Class Imbalance; Weight-for-Height (WHZ);]]>
