Evaluasi Komparatif Algoritma Machine Learning Menggunakan SMOTENC pada Klasifikasi Status Gizi Balita Berbasis Data Antropometri

Erip Suratno (UNIVERSITAS NUSA PUTRA)
Adhi Kusnadi (UNIVERSITAS NUSA PUTRA)
Zeldi Suryady (UNIVERSITAS NUSA PUTRA)

JTERA (Jurnal Teknologi Rekayasa)
Vol 11 No 1: Vol. 11 No. 1: Juni 2026

Ketidakseimbangan distribusi kelas pada data status gizi balita dapat membuat model klasifikasi tampak akurat, tetapi kurang mampu mengenali kelas minoritas. Penelitian ini mengevaluasi Support Vector Machine, K-Nearest Neighbors, Naive Bayes, Decision Tree, dan Random Forest untuk klasifikasi multikelas status gizi balita berbasis data antropometri. Dataset berjumlah 3.716 data Posyandu Desa Ujunggenteng tahun 2025 dengan fitur jenis kelamin, usia, berat badan, dan tinggi badan serta empat kelas target: kurang gizi, gizi baik, risiko gizi lebih, dan gizi lebih. Label diperlakukan sebagai label operasional dalam dataset, bukan hasil penghitungan ulang z-score WHO/Kementerian Kesehatan. Eksperimen menggunakan pembagian data latih-uji terstratifikasi 80:20, 5-fold Stratified K-Fold Cross-Validation, pencarian kandidat parameter terbatas, preprocessing numerik-kategorik, dan SMOTENC hanya pada data latih atau fold pelatihan. Hasil cross-validation menunjukkan SVM memperoleh CV F1 Macro tertinggi sebesar 0,829578. Pada data uji, Random Forest memperoleh F1 Macro tertinggi sebesar 0,827132, sedangkan KNN memperoleh akurasi tertinggi sebesar 0,956989 dan balanced accuracy tertinggi sebesar 0,883393. Pemilihan model perlu mempertimbangkan F1 Macro, balanced accuracy, confusion matrix, dan performa per kelas. Berdasarkan cross-validation, SVM ditetapkan sebagai model final, sedangkan Random Forest dilaporkan terbaik pada data uji berdasarkan F1 Macro.