Model Hibrida PCA-MLP dan Optimasi untuk Klasifikasi Status Gizi Balita Berbasis Fitur Antropometri: Studi Kasus Kelurahan Tamarunang, Sulawesi Selatan
Stunting merupakan masalah gizi kronis yang berdampak jangka panjang terhadap kualitas kesehatan dan perkembangan anak, sehingga diperlukan pendekatan deteksi dini yang akurat dan berbasis data. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model machine learning dalam mengklasifikasikan status gizi balita berdasarkan data antropometri. Dataset yang digunakan terdiri atas 638 balita dari Kelurahan Tamarunang, Sulawesi Selatan, dengan enam variabel prediktor antropometri yaitu berat badan lahir, tinggi badan lahir, usia saat ukur berat, tinggi dan LiLA. Metodologi penelitian meliputi seleksi fitur menggunakan Mutual Information (MI), penyeimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE), serta pemodelan menggunakan Multilayer Perceptron (MLP), Random Forest, dan model hibrida Principal Component Analysis–Multilayer Perceptron (PCA-MLP). Hasil analisis MI menunjukkan bahwa berat badan (MI = 0,053) dan tinggi badan (MI = 0,038) saat pengukuran merupakan fitur paling informatif. Evaluasi komparatif menunjukkan bahwa model hibrida PCA-MLP mencapai kinerja terbaik dengan akurasi 93,70% dan F1-Score (Macro) sebesar 0,551. Meskipun demikian, analisis per kelas mengungkapkan bahwa deteksi kelas minoritas masih menjadi tantangan akibat ketidakseimbangan data. Oleh karena itu, model yang diusulkan berpotensi digunakan sebagai alat pendukung keputusan untuk skrining awal status gizi, namun tidak dimaksudkan sebagai pengganti penilaian klinis oleh tenaga kesehatan. Abstract Stunting is a chronic nutritional problem that hinders children's development and requires an accurate early detection system. This study aims to develop and evaluate a high-performing machine learning model for classifying the nutritional status of under-five children. The research utilized data from 638 children in Tamarunang Village, Gowa Regency, incorporating six anthropometric predictor variables. The proposed methodology includes feature selection using Mutual Information (MI), data balancing with Synthetic Minority Over-sampling Technique (SMOTE), and modeling using three architectures: Multilayer Perceptron (MLP), Random Forest, and a hybrid Principal Component Analysis-Multilayer Perceptron (PCA-MLP) model. MI analysis results indicate that Body Weight (MI=0.053) and Height (MI=0.038) at measurement exhibit the highest statistical relevance. In comparative evaluation, the Hybrid PCA-MLP model demonstrated the most superior performance with an accuracy of 93.70% and an F1-Score (Macro) of 0.551, outperforming Random Forest (0.416) and MLP (0.320). Visualization via t-SNE and per-class metrics confirmed that minority class classification remains a primary challenge due to data imbalance. This research affirms that a hybrid approach combined with appropriate feature selection holds significant potential as a decision support tool for malnutrition screening.
English
Stunting merupakan masalah gizi kronis yang berdampak jangka panjang terhadap kualitas kesehatan dan perkembangan anak, sehingga diperlukan pendekatan deteksi dini yang akurat dan berbasis data. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model machine learning dalam mengklasifikasikan status gizi balita berdasarkan data antropometri. Dataset yang digunakan terdiri atas 638 balita dari Kelurahan Tamarunang, Sulawesi Selatan, dengan enam variabel prediktor antropometri yaitu berat badan lahir, tinggi badan lahir, usia saat ukur berat, tinggi dan LiLA. Metodologi penelitian meliputi seleksi fitur menggunakan Mutual Information (MI), penyeimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE), serta pemodelan menggunakan Multilayer Perceptron (MLP), Random Forest, dan model hibrida Principal Component Analysis–Multilayer Perceptron (PCA-MLP). Hasil analisis MI menunjukkan bahwa berat badan (MI = 0,053) dan tinggi badan (MI = 0,038) saat pengukuran merupakan fitur paling informatif. Evaluasi komparatif menunjukkan bahwa model hibrida PCA-MLP mencapai kinerja terbaik dengan akurasi 93,70% dan F1-Score (Macro) sebesar 0,551. Meskipun demikian, analisis per kelas mengungkapkan bahwa deteksi kelas minoritas masih menjadi tantangan akibat ketidakseimbangan data. Oleh karena itu, model yang diusulkan berpotensi digunakan sebagai alat pendukung keputusan untuk skrining awal status gizi, namun tidak dimaksudkan sebagai pengganti penilaian klinis oleh tenaga kesehatan. Abstract Stunting is a chronic nutritional problem that hinders children's development and requires an accurate early detection system. This study aims to develop and evaluate a high-performing machine learning model for classifying the nutritional status of under-five children. The research utilized data from 638 children in Tamarunang Village, Gowa Regency, incorporating six anthropometric predictor variables. The proposed methodology includes feature selection using Mutual Information (MI), data balancing with Synthetic Minority Over-sampling Technique (SMOTE), and modeling using three architectures: Multilayer Perceptron (MLP), Random Forest, and a hybrid Principal Component Analysis-Multilayer Perceptron (PCA-MLP) model. MI analysis results indicate that Body Weight (MI=0.053) and Height (MI=0.038) at measurement exhibit the highest statistical relevance. In comparative evaluation, the Hybrid PCA-MLP model demonstrated the most superior performance with an accuracy of 93.70% and an F1-Score (Macro) of 0.551, outperforming Random Forest (0.416) and MLP (0.320). Visualization via t-SNE and per-class metrics confirmed that minority class classification remains a primary challenge due to data imbalance. This research affirms that a hybrid approach combined with appropriate feature selection holds significant potential as a decision support tool for malnutrition screening.
Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.