Klasifikasi Status Gizi Balita Menggunakan Machine Learning Berdasarkan Indikator Label Z-score Antropometri Standar WHO : Classification of Nutritional Status in Children Under Five Using Machine Learning with WHO-Standard Anthropometric Z-Score Labels

Revanda Putri Rahmadani; Muhammad Arifin; Fajar Nugraha

doi:10.57152/malcom.v6i4.3037

Authors

Revanda Putri Rahmadani Universitas Muria Kudus
Muhammad Arifin Universitas Muria Kudus
Fajar Nugraha Universitas Muria Kudus

DOI:

https://doi.org/10.57152/malcom.v6i4.3037

Keywords:

CRISP-DM, Pembelajaran Mesin, Status Gizi Balita, Streamlit, XGBoost, Z-score

Abstract

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.

Downloads

Download data is not yet available.

References

S. D. G. Indicators, The UNICEF-WHO- World Bank Joint Child Malnutrition Estimates ( JME ) standard methodology Tracking progress on SDG Indicators, vol. 2, no. 1.

M. Djaenudin and Tupan, “Pengelolaan Data Penelitian pada Repositori Pengetahuan di Perpustakaan Khusus Lembaga Pemerintah Non Kementerian Lembaga Pemerintah Non Kementerian yang berada di bawah kordinasi Kementeria n,” vol. 27, no. 3, pp. 195–211, 2020.

W. H. O. Child and G. Standards, “Weight-for-length / height GIRLS Weight-for-length / height BOYS,” no. cm.

M. Yanto, F. Hadi, and S. Arlis, “Determination of children ’ s nutritional status with machine learning classification analysis approach,” vol. 33, no. 1, pp. 303–313, 2024, doi: 10.11591/ijeecs.v33.i1.pp303-313.

P. Handayani and A. C. Fauzan, “Machine Learning Klasifikasi Status Gizi Balita Menggunakan Algoritma Random Forest,” vol. 4, no. 6, pp. 3064–3072, 2024, doi: 10.30865/klik.v4i6.1909.

S. Chang, X. Wang, Y. Luo, and L. Jia, “Data augmentation alters feature importance in XGBoost for CVD prediction,” pp. 1–11, 2025.

A. Rifai, S. Seimahuira, and E. H. Juningsih, “Klasifikasi Status Gizi Anak Berdasarkan Indikator BB / TB Menggunakan Gradient Boosting Classifier,” vol. 8, no. 4, pp. 2011–2017, 2025.

A. Pangestu et al., “Implementasi Algoritma XGBoost Untuk Prediksi Status Gizi Balita Berbasis Website,” pp. 176–187, 2025, doi: 10.33364/algoritma/v.22-2.2390.

I. G. Huda et al., “TIN?: Terapan Informatika Nusantara Pengembangan Aplikasi Mobile Berbasis Z-score untuk Deteksi Dini dan Pemantauan Status Gizi Balita Menggunakan Standar Antropometri TIN?: Terapan Informatika Nusantara,” vol. 6, no. 6, pp. 610–621, 2025, doi: 10.47065/tin.v6i6.8553.

G. P. Insany, I. Yustiana, S. Rahmawati, T. Informatika, and U. N. Putra, “Jurnal Computer Science and Information Technology ( CoSciTech ),” vol. 4, no. 2, pp. 385–393, 2023.

M. I. Abas, R. Lamusu, W. E. Pranata, S. Syahrial, and I. Ibrahim, “BULLETIN OF COMPUTER SCIENCE RESEARCH Penerapan Algoritma Naive Bayes Untuk Sistem Klasifikasi Status Gizi Bayi Balita,” vol. 5, no. 5, pp. 1249–1260, 2025, doi: 10.47065/bulletincsr.v5i5.508.

R. Setiawan and A. Triayudi, “Klasifikasi Status Gizi Balita Menggunakan Naïve Bayes dan K- Nearest Neighbor Berbasis Web,” vol. 6, no. 2, pp. 777–785, 2022, doi: 10.30865/mib.v6i2.3566.

S. Kapoor and A. Narayanan, “Leakage and the Reproducibility Crisis in ML-based Science,” no. Ml, 2020.

M. A. Bouke, S. A. Zaid, and A. Abdullah, “Implications of Data Leakage in Machine Learning Preprocessing?: A Multi-Domain Investigation”.

J. Opitz, “A Closer Look at Classification Evaluation Metrics and a Critical Reflection of Common Evaluation Practice,” vol. 12, no. 2018, pp. 820–836, 2024.

E. Richardson, R. Trevizani, J. A. Greenbaum, and H. Carter, “Article The receiver operating characteristic curve accurately assesses imbalanced datasets The receiver operating characteristic curve accurately assesses imbalanced datasets,” Patterns, vol. 5, no. 6, p. 100994, 2024, doi: 10.1016/j.patter.2024.100994.

O. Rainio, “Evaluation metrics and statistical tests for machine learning,” Sci. Rep., pp. 1–14, 2024, doi: 10.1038/s41598-024-56706-x.

Y. A. Singgalen, “Penerapan Metode CRISP-DM dalam Klasifikasi Data Ulasan Pengunjung Destinasi Danau Toba Menggunakan Algoritma Naïve Bayes Classifier ( NBC ) dan Decision Tree ( DT ),” vol. 7, pp. 1551–1562, 2023, doi: 10.30865/mib.v7i3.6461.

M. Erkamim, A. M. Tanniewa, and I. Ap, “Analisis Perbandingan Metode AdaBoost , Gradient Boosting , dan XGBoost Untuk Kalsifikasi Status Gizi Pada Balita,” vol. 6, no. 3, pp. 1799–1807, 2024, doi: 10.47065/bits.v6i3.5717.

M. Arifin, W. Widowati, and F. Farikhin, “Ingénierie des Systèmes d ’ Information Optimization of Hyperparameters in Machine Learning for Enhancing Predictions of Student Academic Performance,” vol. 28, no. 3, pp. 575–582, 2023.