Journal Of Artificial Intelligence And Software Engineering
Vol 6, No 2 (2026): Juni (OnProgress)

Application of the Random Forest Algorithm for Classifying Children's Nutritional Status

Rahma Jihan Ananta (Universitas Malikussaleh)
Nurdin Nurdin (Universitas Malikussaleh)



Article Info

Publish Date
30 Jun 2026

Abstract

Status gizi yaitu suatu kondisi terkait gizi yang bisa diukur dan merupakan hasil dari adanya keseimbangan kebutuhan gizi pada tubuh dengan asupan gizi dari makanan. Klasifikasi yaitu teknik yang digunakan dalam data mining, untuk menganalisis data yang kemudian dijadikan kedalam beberapa kategori sesuai dengan variabel-variabel yang terkait. Pada Metode yang akan digunakan merupakan Algoritma Random Forest digunakan untuk klasifikasi klasifikasi status gizi anak berdasarkan data Dinas Kesehatan Lhokseumawe. Tujuan penelitian adalah untuk menerapkan Algoritma Random Forest untuk melakukan klasifikasi status gizi anak serta mengetahui tingkat akurasi dan efektivitas Random Forest dalam melakukan klasifikasi status gizi anak. Metode penelitian yang digunakan dalam penelitian ini adalah metode pengumpulan data dan metode perancangan sistem, dalam metode pengumpulan data penulis mengumpulkan sample data, observasi, wawancara, dan studi literatur, kemudian dalam metode perancangan sistem penulis melakukan analisa kebutuhan sistem, dan analisa metode perancangan sistem. Sistem klasifikasi status gizi balita di Dinas Kesehatan Kota Lhokseumawe menggunakan algoritma Random Forest berhasil dikembangkan dengan dataset antropometri 2185 sampel yang terdiri dari variabel jenis kelamin (L0, P1), usia bulan, berat badan, tinggi badan, dan indeks massa tubuh (IMT) yang telah melalui preprocessing lengkap berupa label coding dan normalisasi Min-Max Scaling ke rentang, menghasilkan kinerja sebesar 97,89% pada dashboard produksi yang konsisten dengan perhitungan manual 75,51% menggunakan bootstrap sampling dan mayoritas voting dari 3 pohon ansambel. Tahapan pemodelan data mencakup transformasi kategorikal status_gizimenjadi numerik (obesitas0, stunting1, underweight2, wasting3) serta pembagian dataset 80:20 (350 data latih, 87 data uji) dengan stratified sampling yang mempertahankan proporsi kelas realistis sesuai prevalensi gizi buruk di Indonesia, di mana underweight dominan diikuti stunting dan wasting minoritas

Copyrights © 2026






Journal Info

Abbrev

JAISE

Publisher

Subject

Computer Science & IT

Description

Artificial Intelligence Natural Language Processing Computer Vision Robotics and Navigation Systems Decision Support System Implementation of Algorithms Expert System Data Mining Enterprise Architecture Design & Management Software & Networking Engineering ...