<![CDATA[Status gizi ibu hamil merupakan faktor penentu utama dalam pertumbuhan janin. Ketidakseimbangan gizi pada masa ini dapat menyebabkan gangguan kesehatan, termasuk stunting. World Health Organization (WHO) melaporkan bahwa sekitar 20% kasus stunting terjadi sejak masih didalam kandungan, yang menegaskan pentingnya pemantauan status gizi sejak awal kehamilan. Penelitian ini bertujuan untuk membandingkan performa dua algoritma Boosting, yaitu Extreme Gradient Boosting (XGBoost) dan Categorical Boosting (CatBoost), yang diintegrasikan dengan metode Synthetic Minority Oversampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas pada dataset. Dataset penelitian ini terdiri dari 386 data rekam medis antropometri dari Puskesmas Abeli, mencakup fitur umur, berat badan awal, tinggi badan, Lingkar Lengan Atas (LiLA), dan Indeks Massa Tubuh (IMT) sebelum hamil untuk memprediksi empat kelas status gizi: Kurang, Normal, Lebih, dan Obesitas. Seleksi fitur dan penentuan label juga telah dikonsultasikan dengan ahli gizi untuk memastikan relevansi klinis. Hasil pengujian menunjukkan bahwa kombinasi XGBoost dengan SMOTE mencapai performa terbaik dengan akurasi 98,72%, presisi 99,31%, recall 98,75%, dan F1-score 99,01%, melampaui model CatBoost dengan SMOTE dengan akurasi 97,44%, presisi 98,65%, recall 97,50%, dan F1-score 97,99%. Temuan ini membuktikan bahwa integrasi XGBoost dan SMOTE sangat andal sebagai alat bantu klasifikasi status gizi ibu dan dapat mendukung deteksi dini risiko stunting sejak masa kehamilan.]]>
Copyrights © 2026
