Pembuatan Profil Status Gizi Balita Berbasis Pembelajaran Mesin Menggunakan Indikator Antropometri Machine Learning-Based Nutritional Status Profiling of Children Under Five Using Anthropometric Indicators

Stunting dan permasalahan gizi balita masih menjadi tantangan utama kesehatan masyarakat di Indonesia yang memerlukan pemantauan secara presisi dan berbasis data. Penelitian ini bertujuan untuk membangun profil status gizi balita menggunakan pendekatan pembelajaran mesin berbasis indikator antropometri. Metodologi diawali dengan audit kualitas data dan eksplorasi data analitis Exploratory Data Analysis terhadap dataset yang mencakup 120.999 observasi balita tanpa nilai yang hilang (missing value). Dataset yang terdiri dari atribut umur, tinggi badan, dan jenis kelamin ini dibagi secara stratified (80:20), kemudian distandardisasi menggunakan StandardScaler dan OneHotEncoder. Empat algoritma klasifikasi (Logistic Regression, Decision Tree, Gradient Boosting, dan Random Forest) dievaluasi secara komparatif. Hasil eksperimen menunjukkan bahwa Random Forest mencatatkan performa terbaik dengan tingkat akurasi sebesar 98,94%, Precision makro 98,74%, Recall makro 98,45%, dan F1-Score makro 98,59%. Keandalan dan konsistensi model ini dikonfirmasi melalui 5-Fold Stratified Cross-Validation yang menghasilkan rata-rata akurasi sebesar 99,04% dengan standar deviasi yang sangat rendah (0,0009). Selanjutnya, analisis feature importance menhasilkan tinggi badan 60% dan umur 39% merupakan indikator antropometri yang paling dominan dalam menentukan profil status gizi balita. Penelitian ini membuktikan bahwa algoritma Random Forest berbasis indikator antropometri layak diterapkan sebagai sistem pendukung keputusan dalam pemantauan pertumbuhan dan deteksi dini masalah gizi anak.