Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer
Moh. Erkamim
Politeknik Negeri Bali
Computer Science & IT Decision Sciences, Operations Research & Management Education

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Model Ensemble Stacking untuk Klasifikasi Big Data Stunting Berbasis XGBoost dan MLP Khairul Hawani Rambe; Frans Mikael Sinaga; Leni Anggraini Susanti; Moh. Erkamim
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 10 No. 1 (2026): Volume 10 Nomor 1 Januari 2026
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v10i1.15903

Abstract

Klasifikasi status gizi balita berbasis data besar memerlukan pendekatan machine learning yang mampu menangani kompleksitas dan heterogenitas data secara akurat dan stabil. Populasi penelitian mencakup seluruh data rekam medis balita periode 2023–2024 yang diperoleh dari RS Mitra Medika Tanjung Mulia, dengan teknik pengambilan sampel menggunakan total sampling terhadap dataset yang tersedia. Sampel berupa data antropometri balita yang meliputi jenis kelamin, usia, berat badan, tinggi atau panjang badan, nilai Z-score, serta label status gizi. Metode yang digunakan adalah pendekatan kuantitatif berbasis machine learning dengan tahapan pra-pemrosesan, pembangunan model, dan evaluasi performa. Pra-pemrosesan mencakup pembersihan data, transformasi variabel kategorikal, normalisasi fitur numerik, serta pembagian data latih dan data uji dengan rasio 80:20. Model yang dikembangkan menggunakan pendekatan ensemble stacking dengan XGBoost sebagai base learner dan Multi-Layer Perceptron (MLP) sebagai meta learner. Evaluasi kinerja model dilakukan menggunakan confusion matrix, precision, recall, F1-score, dan akurasi. Hasil pengujian menunjukkan bahwa model stacking mencapai akurasi sebesar 99,64% dengan jumlah kesalahan prediksi yang sangat rendah serta nilai precision, recall, dan F1-score yang seimbang pada setiap kelas. Temuan ini menunjukkan bahwa integrasi algoritma boosting dan neural network mampu meningkatkan stabilitas dan kemampuan generalisasi model. Dengan demikian, pendekatan stacking XGBoost–MLP efektif dalam klasifikasi status gizi balita dan berpotensi diterapkan sebagai sistem pendukung keputusan deteksi dini masalah gizi berbasis big data.
Co-Authors Frans Mikael Sinaga Khairul Hawani Rambe Leni Anggraini Susanti