Model RFGS-CS untuk Mengatasi High Dimensional Data Stunting Kota Samarinda

Abstract

Di Samarinda, Kalimantan Timur, prevalensi stunting terus meningkat, dengan angka mencapai 23,9% pada tahun 2022. Kondisi ini menunjukkan perlunya intervensi lebih efektif untuk mengatasi masalah gizi di wilayah tersebut. Metode klasifikasi data mining dapat memprediksi risiko stunting, namun penelitian sebelumnya menghadapi tantangan dengan dataset berdimensi tinggi yang dapat mempengaruhi akurasi. Tujuan dari penelitian ini adalah untuk meningkatkan akurasi klasifikasi stunting di Kota Samarinda menggunakan algoritma Random Forest (RF) yang dioptimalkan dengan seleksi fitur Chi-Square dan optimasi parameter Grid Search. Dataset yang digunakan adalah data stunting dari 26 puskesmas di Kota Samarinda tahun 2023 dari Dinas Kesehatan Kota Samarinda. Metode validasi yang digunakan yaitu cross-validation dengan k=10. Hasil penelitian menunjukkan bahwa fitur-fitur seperti BB/U, Tinggi, ZS BB/U, ZS TB/U adalah yang paling signifikan dalam mempengaruhi performa model RF. Model RF dengan seleksi fitur Chi-Square mencapai akurasi sebesar 99.11%, tidak ada peningkatan akurasi setelah penambahan metode optimasi Grid Search. Hasil penelitian ini menunjukkan bahwa model Random Forest (RF), baik dengan maupun tanpa optimasi, efektif dalam mengklasifikasikan data stunting. Keefektifan model ini dalam menangani dataset yang rumit dan kompleks, sehingga diharapkan dapat mendukung kebijakan serta intervensi kesehatan.