Analisis Perbandingan Algoritma Klasifikasi Machine Learning dalam Pendeteksian Risiko Stunting pada Balita di Desa Sukahati

Abstract

Penelitian ini bertujuan untuk membandingkan performa empat algoritma machine learning, yaitu Decision Tree, Naive Bayes, Random Forest, dan K-Nearest Neighbor (KNN), dalam memprediksi risiko stunting berdasarkan data kesehatan masyarakat yang diperoleh dari Puskesmas Cibinong. Hasil analisis menunjukkan bahwa model Decision Tree menunjukkan akurasi sebesar 81,31%, dengan nilai F1-score yang seimbang yaitu 0,6665, menggambarkan kemampuan yang cukup baik dalam mengenali kasus stunting dan bukan stunting secara seimbang. Sementara itu, Naive Bayes menghasilkan akurasi sebesar 68,22%, sedikit lebih rendah dibandingkan model lainnya, meskipun memiliki nilai recall yang tinggi sebesar 0,7097, menunjukkan kemampuannya yang kuat dalam mendeteksi kasus stunting, namun diimbangi dengan presisi yang lebih rendah karena banyaknya false positive. Model Random Forest mencatatkan akurasi tertinggi yaitu 81,78%, dengan F1-score sebesar 0,5973. Meskipun nilai F1-score tidak sebaik Decision Tree atau Naive Bayes, akurasi yang tinggi menunjukkan bahwa model ini unggul dalam mengenali keseluruhan data secara lebih tepat, terutama karena jumlah kesalahan (FP dan FN) yang lebih sedikit. Sedangkan model KNN memberikan akurasi sebesar 77,10%, dengan nilai F1-score 0,5148, lebih rendah dibandingkan model lainnya, yang menunjukkan bahwa meskipun model ini cukup akurat secara keseluruhan, namun ketidakseimbangan antara presisi dan recall menyebabkan performanya dalam mengenali kasus positif stunting menjadi kurang optimal. Temuan ini menunjukkan bahwa pendekatan machine learning dapat menjadi alat bantu yang efektif dalam mendukung program intervensi kesehatan, khususnya dalam upaya deteksi dini dan pencegahan stunting.