Dalam penelitian itu, model dikembangkan menggunakan algoritma Random Forest dengan proses prapemrosesan data melalui metode SMOTE untuk menyeimbangkan distribusi data pada kelas minoritas dan mayoritas.
Algoritma Random Forest dipilih karena dinilai mampu meningkatkan akurasi pada data yang tidak lengkap, meminimalisasi kesalahan, serta meningkatkan performa klasifikasi data.
Sementara metode SMOTE digunakan untuk menyeimbangkan jumlah sampel data sehingga hasil klasifikasi menjadi lebih optimal.
Hasil penelitian menunjukkan bahwa faktor dominan yang memengaruhi klasifikasi stunting berdasarkan data antropometri balita meliputi ZSTB/U, tinggi badan, berat badan, dan usia.
Sedangkan berdasarkan riwayat pemeriksaan kesehatan ibu hamil, faktor dominan meliputi Lila, tinggi badan, usia kehamilan atau persalinan preterm, sistole, serta jarak kehamilan.
Dr. Amir Ali menambahkan, model klasifikasi yang dikembangkan menunjukkan performa sangat baik dengan tingkat akurasi tinggi.
Untuk dataset antropometri balita, model menghasilkan tingkat akurasi sebesar 99,85 persen dan recall 99,98 persen.
Sementara pada dataset riwayat pemeriksaan kesehatan ibu hamil, tingkat akurasi mencapai 93,22 persen dengan recall sebesar 86,21 persen.
Hasil pemodelan tersebut kemudian diterapkan dalam aplikasi prediksi stunting berbasis sistem informasi geografis yang mampu menampilkan visualisasi persebaran balita stunting di Kabupaten Sidoarjo. (*)
