Klasifikasi Status Gizi pada Balita Menggunakan Metode light Gradient Boosting Machine (LightGBM) dengan Optimasi Hyperparameter GridSearchCV

Abstract

Status gizi balita adalah salah satu indikator penting dalam menentukan ukuran kesehatan suatu negara karena berpengaruh terhadap tumbuh kembang anak dimasa depan. Permasalahan klasifikasi status gizi sering dihadapkan pada kompleksitas data dan ketidakseimbangan distribusi kelas yang dapat menurunkan performa model prediksi. Penelitian ini bertujuan untuk membangun model klasifikasi status gizi balita menggunakan metode Light Gradient Boosting Machine (LightGBM) dan meningkatkan kinerjanya melalui optimasi hyperparameter menggunakan GridSearchCV. Data penelitian ini melalui beberapa tahapan preprocessing yang mencakup pembersihan data, transformasi, pembagian data, serta evaluasi model dilakukan menggunakan metrik akurasi, precision, recall, f1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa model LightGBM sebelum dilakukan optimasi menunjukan akurasi 91,53% dan setelah dilakukan optimasi menghasilkan nilai akurasi 92,23% dengan peningkatan performa pada sebagian besar kelas target. Hasil ini menunjukkan bahwa penerapan LightGBM dengan GridSearchCV mampu memberikan performa klasifikasi yang cukup baik dan dapat direkomendasikan sebagai salah satu pendekatan dalam sistem pendukung keputusan terkait status gizi balita.