Optimasi Random Forest dengan GA dan RFE pada High Dimensional Data Stunting

Abstract

Stunting adalah masalah kekurangan gizi kronis yang mengakibatkan terganggunya pertumbuhan anak, dengan dampak jangka panjang pada pertumbuhan fisik, perkembangan kognitif, dan produktivitas di masa dewasa. Di Indonesia, prevalensi stunting masih di atas batas WHO, mencapai 24,4% berdasarkan Studi Status Gizi Indonesia (SSGI) 2021, dan di Kota Samarinda prevalensinya mencapai 24,7% pada tahun 2021 dengan 1.402 balita teridentifikasi mengalami stunting. Mengatasi masalah ini memerlukan pendekatan berbasis data yang lebih terstruktur untuk memberikan intervensi yang tepat sasaran. Penelitian ini menggunakan data dari Dinas Kesehatan Kota Samarinda, mencakup 150.474 data stunting, dan melibatkan pengumpulan data, pembersihan data, seleksi fitur, serta penerapan model klasifikasi. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi data stunting di Kota Samarinda tahun 2023 menggunakan algoritma Random Forest yang disempurnakan melalui teknik seleksi fitur Recursive Feature Elimination (RFE) dan optimasi Genetic Algorithm (GA). Hasil seleksi fitur menggunakan RFE menunjukkan bahwa fitur yang paling berpengaruh adalah Berat, ZS TB/U, ZS BB/U, dan BB/U. Penerapan RFE meningkatkan rata-rata akurasi model dari 91.91% menjadi 93.64%, sementara optimasi dengan GA meningkatkan rata-rata akurasi menjadi 98.39%. Akurasi pasti meningkat dari 94.23% (model dasar) menjadi 97.10% (dengan RFE) dan mencapai 99.70% (dengan RFE dan GA). Kombinasi RFE dan GA terbukti efektif dalam mengatasi kompleksitas data dan meningkatkan keandalan prediksi stunting. Penelitian ini memberikan kontribusi signifikan pada pengembangan teknik machine learning untuk analisis data berdimensi tinggi dalam bidang kesehatan, dan diharapkan menjadi dasar bagi program intervensi yang lebih efektif dalam menangani masalah stunting di Indonesia.