<![CDATA[Penelitian ini menerapkan Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk mengklasifikasikan status gizi balita berdasarkan catatan antropometri Puskesmas Wergu Wetan, dengan kategori BB/TB WHO sebagai target. Dataset memuat 4.593 catatan dan 39 atribut. Setelah penyaringan validitas dan deduplikasi berdasarkan kombinasi variabel analisis, sebanyak 4.540 catatan dianalisis. Target terdiri atas enam kategori, yaitu gizi buruk, gizi kurang, gizi baik, risiko gizi lebih, gizi lebih, dan obesitas. Prediktor mencakup jenis kelamin, usia dalam bulan, berat badan, dan tinggi badan tercatat. Nilai Z-score BB/TB hanya digunakan untuk audit konsistensi label dan kemudian dikeluarkan dari masukan model untuk mencegah kebocoran target. Enam algoritma machine learning dibandingkan menggunakan pembagian data latih-uji terstratifikasi 80:20 yang sama tanpa resampling. XGBoost menunjukkan kinerja awal terbaik pada data uji internal dengan akurasi 94,93% dan F1-score tertimbang 94,61%. Setelah penalaan hiperparameter menggunakan GridSearchCV, model akhir mengklasifikasikan 861 dari 908 data uji dengan benar serta menghasilkan akurasi 94,82%, F1-score tertimbang 94,51%, F1-score makro 68,33%, dan balanced accuracy 64,35%. Berbeda dari studi terdahulu yang umumnya menguji lebih sedikit model keluarga atau belum menggabungkan pencegahan kebocoran data, evaluasi peka kelas, pengujian statistik berpasangan, dan implementasi, penelitian ini berkontribusi melalui satu alur yang dapat ditelusuri serta mengintegrasikan keempat unsur dalam prototipe Streamlit nondiagnostik.]]>
Copyrights © 2026
