Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Klasifikasi Stunting Pada Balita Menggunakan Algoritma Decision Tree Pada Machine Learning

Decode: Jurnal Pendidikan Teknologi Informasi · Vol. 5 No. 2 (2025) · hlm. 416–428

DOI
10.51454/decode.v5i2.1193
ISSN
2775-1813, 2775-2984
Terbit
2025-07-24
Penerbit
Universitas Muhammadiyah Kendari
Lisensi
creativecommons.org/licenses/by-sa/4.0/

Abstrak

Stunting adalah gangguan pertumbuhan yang dialami balita akibat kekurangan gizi sehingga menghambat pertumbuhan fisik dan perkembangan kognitif. Faktor penyebabnya meliputi kurangnya asupan nutrisi, rendahnya pendidikan orang tua, serta lingkungan kesehatan yang tidak memadai. Penelitian ini bertujuan untuk mengklasifikasi faktor penyebab terjadinya stunting sehingga dapat dilakukan intervensi dini, serta dapat mengembangkan model klasifikasi stunting menggunakan algoritma Decision Tree. Untuk mendeteksi risiko stunting secara dini, teknologi machine learning dimanfaatkan guna mengklasifikasikan data secara lebih akurat dan efisien. Penelitian ini menggunakan algoritma Decision Tree untuk mengkategorikan status gizi balita berdasarkan usia (bulan), jenis kelamin, dan tinggi badan (cm). Data diperoleh dari platform Kaggle, terdiri atas 121.000 data. Penelitian mencakup proses pengumpulan data, pre-processing data (cleaning data, deteksi outlier, dan label encoding), eksplorasi data, pemisahan data latih dan uji, serta pelatihan model. Penelitian ini menerapkan confusion matrix sebagai metode evaluasi untuk menilai kinerja model dalam klasifikasi stunting pada balita. Hasil evaluasi model Decision Tree memperoleh akurasi sebesar 95.73% dalam mengklasifikasi status gizi ke dalam empat kategori yaitu normal, stunted, severely stunted, dan tinggi. Temuan menunjukkan bahwa algoritma Decision Tree efektif dalam mengidentifikasi kondisi stunting serta mendukung sistem pemantauan gizi anak balita secara digital.

Jaringan kolaborasi para penulis

2 penulis · 1 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Data ini berasal dari Crossref (yang disetorkan penerbit), karena endpoint OAI-PMH milik jurnal tidak dapat di-harvest.

Sumber metadata: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, pertama di-harvest 26 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata sebagai oai_dc, dikonversi dari Crossref
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title>Klasifikasi Stunting Pada Balita Menggunakan Algoritma Decision Tree Pada Machine Learning</dc:title><dc:creator>Monasari, La Denna Hasri</dc:creator><dc:creator>Nunik Pratiwi</dc:creator><dc:description>&lt;jats:p&gt;Stunting adalah gangguan pertumbuhan yang dialami balita akibat kekurangan gizi sehingga menghambat pertumbuhan fisik dan perkembangan kognitif. Faktor penyebabnya meliputi kurangnya asupan nutrisi, rendahnya pendidikan orang tua, serta lingkungan kesehatan yang tidak memadai. Penelitian ini bertujuan untuk mengklasifikasi faktor penyebab terjadinya stunting sehingga dapat dilakukan intervensi dini, serta dapat mengembangkan model klasifikasi stunting menggunakan algoritma Decision Tree. Untuk mendeteksi risiko stunting secara dini, teknologi machine learning dimanfaatkan guna mengklasifikasikan data secara lebih akurat dan efisien. Penelitian ini menggunakan algoritma Decision Tree untuk mengkategorikan status gizi balita berdasarkan usia (bulan), jenis kelamin, dan tinggi badan (cm). Data diperoleh dari platform Kaggle, terdiri atas 121.000 data. Penelitian mencakup proses pengumpulan data, pre-processing data (cleaning data, deteksi outlier, dan label encoding), eksplorasi data, pemisahan data latih dan uji, serta pelatihan model. Penelitian ini menerapkan confusion matrix sebagai metode evaluasi untuk menilai kinerja model dalam klasifikasi stunting pada balita. Hasil evaluasi model Decision Tree memperoleh akurasi sebesar 95.73% dalam mengklasifikasi status gizi ke dalam empat kategori yaitu normal, stunted, severely stunted, dan tinggi. Temuan menunjukkan bahwa algoritma Decision Tree efektif dalam mengidentifikasi kondisi stunting serta mendukung sistem pemantauan gizi anak balita secara digital.&lt;/jats:p&gt;</dc:description><dc:publisher>Universitas Muhammadiyah Kendari</dc:publisher><dc:date>2025-07-24</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.51454/decode.v5i2.1193</dc:identifier><dc:identifier>10.51454/decode.v5i2.1193</dc:identifier><dc:source>Decode: Jurnal Pendidikan Teknologi Informasi; Vol 5 No 2 (2025); 416-428</dc:source><dc:source>2775-1813</dc:source><dc:source>2775-2984</dc:source><dc:relation>https://journal.umkendari.ac.id/decode/article/download/1193/567</dc:relation><dc:rights>https://creativecommons.org/licenses/by-sa/4.0/</dc:rights></oai_dc:dc>