PENERAPAN DATA MINING UNTUK DETEKSI GIZI BURUK PADA BALITA MENGGUNAKAN METODE DECISION TREE

• AHMAD FATHIN GHIATS ALMUTASHIM
• 2025

---

Gizi buruk merupakan permasalahan serius dalam kesehatan masyarakat yang berdampak langsung terhadap tumbuh kembang balita. Proses pendeteksian status gizi masih banyak dilakukan secara manual, sehingga berisiko memunculkan ketidaktepatan dalam pengambilan keputusan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi berbasis data mining guna mengidentifikasi status gizi balita menggunakan algoritma Decision Tree. Dataset yang digunakan diambil dari platform Kaggle dengan 121.000 data balita, mencakup atribut umur, jenis kelamin, dan tinggi badan. Proses penelitian melibatkan tahapan pra-pemrosesan data, klasifikasi, serta evaluasi model menggunakan metrik akurasi, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa model Decision Tree mampu mencapai akurasi sebesar 70,36%. Model ini efektif dalam mengklasifikasikan kategori gizi “normal” dan “severely stunted”, namun masih menghadapi tantangan dalam mendeteksi kategori “stunted” dan “tinggi” akibat distribusi data yang tidak seimbang. Variabel tinggi badan dan umur teridentifikasi sebagai faktor paling berpengaruh dalam klasifikasi. Penelitian ini memberikan kontribusi berupa pemodelan klasifikasi gizi yang informatif dan dapat dikembangkan sebagai alat bantu deteksi dini di bidang kesehatan anak. Dengan penyempurnaan lebih lanjut, model ini berpotensi menjadi solusi digital yang dapat dimanfaatkan oleh tenaga medis maupun lembaga terkait untuk mempercepat intervensi pada kasus gizi buruk balita.

• Gizi Buruk
• Data Mining
• Balita

https://repository.bsi.ac.id/repo/69807/PENERAPAN-DATA-MINING-UNTUK-DETEKSI-GIZI-BURUK-PADA-BALITA-MENGGUNAKAN-METODE-DECISION-TREE
Anda dapat membaca file tugas akhir ini di repository.