Penerapan Algoritma Random Forest Dan Cross Validation Untuk Prediksi Data Stunting

Abstract

Permasalahan yang seringkali terjadi pada anak dengan pertumbuhan yang tidak sesuai usianya merupakan kekurangan gizi kronis atau seringkali disebut stunting. Permasalahan anak stunting juga banyak terjadi di salah satu Kelurahan yang ada di Kota Cirebon yaitu di UPT Puskesmas XYZ, dari tingginya kasus stunting ini membuat Puskesmas menggelar kegiatan Posyandu rutin di setiap bulannya. Dari kegiatan Posyandu, Puskesmas akan memperoleh hasil laporan stunting dari pencatatan manual yang kemudian akan dilakukan penginputan data menggunakan Microsoft Excel. Pengidentifikasian dan penginputan data secara manual beresiko mengalami ketidaktepatan data serta status gizi yang menjadi indikator penentuan stunting yang beranekaragam dapat menghabiskan waktu lama. Untuk mengatasi permasalahan tersebut perlu melakukan penerapan data mining dengan algoritma Random Forest dan Cross Validation untuk prediksi data stunting. Pada riset yang akan dilakukan bertujuan untuk mengetahui cara kerja algoritma Random Forest dan Cross Validation serta untuk mendapatkan nilai akurasi, presisi, recall, dan RMSE terbaik. Hasil riset yang telah dilakukan dengan penerapan metode algoritma Random Forest memperoleh hasil pengujian confusion matrix dengan pembagian data 90:10 dalam memprediksi BB/TB menampilkan perolehan nilai yang sangat baik untuk akurasi 77.55%, recall 32.88%, presisi 21.97%, serta RMSE 0.402 dengan membuat model 40 pohon. Evaluasi dengan Cross Validation menghasilkan nilai terbaik pada 10-fold dengan mendapatkan nilai akurasi 78.33%, presisi 39.13%, recall 25.01%, serta RMSE 0.428 dengan membuat model 100 pohon.