Optimasi Metode BMR dan Simulated Annealing untuk Algoritma SVM dalam Mengatasi Imbalanced dan High Dimensional Data Stunting

Abstract

Kasus Stunting di kota Samarinda dari tahun 2022 masih mengalami peningkatan prevalensi sebesar 23,9%, penanganannya kasus ini masih kurang optimal karena tahun 2023 tingkat stunting masih tinggi. Tujuan penelitian ini meningkatkan akurasi klasifikasi atau prediksi stunting di Kota Samarinda menggunakan algoritma Support Vector Machine (SVM) yang akan di optimasi dengan metode Simulated Annealing (SA) dan metode Bundary Margin Relief (BMR) sebagai seleksi fitur, guna mengetahui fitur yang berpengaruh dalam menentukan atau mengklasifikasikan kondisi stunting pada anak. Proses penelitian ini melibatkan pengumpulan data dari Dinas Kesehatan Kota Samarinda tahun 2023 yang melibatkan 26 puskesmas, 20 atibut dan total 150,465 baris data. Pembagian data uji dan data latih menggunakan cross validation k-fold 10. Penelitian ini menunjukkan bahwa BMR menghasilkan sembilan fitur penting yaitu ZS TB/U, ZS BB/U, ZS BB/TB, Tinggi Badan, Berat Badan, Naik Berat Badan, LiLA, BB/TB, dan BB/U. Terdapat fitur dominan yang sama dengan penelitian sebelumnya yaitu atribut Berat Badan/Umur (BB/U) dan Berat Badan/Tinggi Badan (BB/TB). Evaluasi kinerja di tampilkan dalam confusion matrix, rata-rata akurasi SVM dengan karnel RBF, cost =10, gamma = 5 menghasilkan akurasi 54.90%, SVM dengan Simulated Annealing 88.10%, sehingga kenaikan akurasi sebesar 33.20%. Peningkatan akurasi menunjukkan metode ini baik dalam mengatasi stunting dengan dataset besar dan ketidakseimbangan kelas.