<![CDATA[Masalah malnutrisi masih menjadi salah satu tantangan global yang berdampak terhadap kualitas sumber daya manusia dan pembangunan ekonomi suatu negara. Berbagai indicator melnutrisi, seperti stunting, wasting, underweight, overweight, undernourisment, dan food insecurity, memiliki keterkaitan dengan kondisi sosial ekonomi dan tingkat pendapatan suatu negara. Penelitian ini bertujuan untuk mengimplementasikan algoritma CatBoost dalam mengklaifikasikan kelompok pendapatan negara (income group) berdasarkan indicator malnutrisi global. Data penelitian diperoleh dari World Health Organization (WHO) dan World Bank yang terdiri atas empat ketegori kelompok pendapatan, yaitu Low Income, Lower-Middle-Income, Upper-Middle-Income, dan High Income. Metode penelitian menggunakan pendekatan machine learning dengan pembagian data sebesar 70% sebagai data pelatihan dan 30% sebagai data pengujian. Model dibangun menggunakan algoritma CatBoost dengan parameter iteration sebesar 100, depth sebesar 4, dan learning rate sebesar 0,05. Hasil penelitian menunjukkan bahwa model CatBoost memperoleh tingkat akurasi sebesar 93,33%. Selain itu, hasil classification rate menunjukkan nilai precision, racell, dan f1-score yang tinggi pada Sebagian besar kelas. Analisis feature importance menunjukkan bahwa indicator food insecurity moderate severe dan wastinhg merupakan variabel yang paling berpengaruh dalam menentukan kelompok pendapatan negara. Dengan demikian, algoritma CatBoost mampu mengklasifikasikan kelompok pendapatan negara berdasarkan indicator malutrisi global secara efektif dan akurat.]]>
Copyrights © 2026
