Implementasi Algoritma LightGBM (Light Gradient Boosting Machine) untuk Sistem Deteksi Stunting pada Balita
DOI:
https://doi.org/10.36805/jyck7735Keywords:
Sistem Deteksi, Stunting, Balita, LightGBM, Confusion Matrix, Feature ImpotanceAbstract
Balita adalah anak usia dibawah 5 tahun atau 0-60 bulan. Usia tersebut termasuk ke dalam kelompok yang beresiko tinggi terhadap penyakit. Kekurangan asupan zat gizi pada balita dapat berdampak pada status gizi dan kesehatannya. Salah satu masalah pada balita yang harus dipantau secara serius adalah adalah stunting. Stunting adalah gangguan tumbuh pada balita yang disebabkan karena kekurangan gizi dalam jangka panjang. Tujuan dari penelitian ini adalah untuk mengimplementasikan algoritma LightGBM dalam sistem deteksi stunting pada balita. Tahapannya mengikuti KDD (Knowledge Discovery in Database) dan algortma yang digunakan aalah LightGBM. Sedangkan evaluasinya dilakukan dengan Confusion Matrix. Hasil Confusion Matrix menunjukkan bahwa model mampu mengklasifikasikan data pada keempat kategori status gizi anak (normal, severely stunted, stunted, tinggi) dengan tingkat kesalahan yang sangat rendah. Classification report memperkuat temuan tersebut, di mana nilai presisi, recall, dan f1-score rata-rata mencapai 0,99, serta akurasi keseluruhan sebesar 99%. Analisis feature importance mengungkapkan bahwa variabel tinggi badan (cm) dan umur (bulan) merupakan faktor dominan dalam prediksi model, sedangkan jenis kelamin memiliki kontribusi yang jauh lebih kecil. Hal ini konsisten dengan konsep medis bahwa perbandingan tinggi badan terhadap umur merupakan indikator utama dalam penentuan status gizi anak.
References
[1] S. S. Choeriyah, R. S. Fanhas, A. Fathah, and H. Pebriyansyah, “Implementasi Algoritma k-Nearest Neighbor (k-NN) dalam Klasifikasi Status Gizi Balita,” vol. 16, no. 2.
[2] P. Meriyana, A. R. Pratama, E. Nurlaelasari, and A. R. Juwita, “Penerapan Algoritma KNN dan Naive Bayes untuk Klasifikasi Stunting pada Balita di Desa Pasirjengkol,” Jurnal PETISI, vol. 06, no. 02, pp. 72–84, 2025.
[3] D. Mahardika and A. N. Raihanah, “Klasifikasi Status Gizi Balita Menggunakan Algoritma Random Forest dan Feature Selection Relief-F,” Journal Of Information Technology, vol. 1, 2025.
[4] A. B. Umam, M. R. Pratama, B. H. Prakoso, and I. Muflihatin, “Sistem Deteksi Dini Stunting Pada Balita Menggunakan Teknik Klasifikasi Dengan Algoritma C4.5 Sebagai Upaya Penekan Angka Kasus Stunting Di Puskesmas Sumberjambe Kabupaten Jember,” bios, vol. 6, no. 2, pp. 54–66, June 2025, doi: 10.37148/bios.v6i2.164.
[5] N. Kusumawardhany and I. N. Abdullah, “Penerapan Metode Naïve Bayes Untuk Mendeteksi Secara Dini Stunting Pada Balita,” INFOTEK, vol. 8, no. 2, pp. 378–390, July 2025, doi: 10.29408/jit.v8i2.30385.
[6] R. Mahesa Cadi, “ANALISIS PERFORMA TEKNIK RESAMPLING UNTUK MENGATASI KETIDAKSEIMBANGAN DATA LATIH PADA MODEL DETEKSI INTRUSI JARINGAN,” FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA, 2024.
[7] S. Januarto, A. A. Murtopo, and Z. Arif, “Klasifikasi Status Stunting Balita Tegal Menggunakan Teknik Smote Pada Metode Naives Bayes Gaussain,” RIGGS, vol. 4, no. 3, pp. 2484–2490, Aug. 2025, doi: 10.31004/riggs.v4i3.2349.
[8] H. Bett, “Countries with the highest percentage of child stunting: 2019 - 2023,” The Star. Accessed: Sept. 07, 2025. [Online]. Available: https://www.the-star.co.ke/news/infographics/2025-03-05-countries-with-the-highest-percentage-of-child-stunting-2019-2023
[9] L. Nurcholifah, D. Hartanti, and S. Sundari, “Klasifikasi Penentuan Gizi Balita dengan Algoritma K-Nearest Neighbor (Studi Kasus: Puskesmas Bringin),” Smart Comp, vol. 14, no. 2, Apr. 2025, doi: 10.30591/smartcomp.v14i2.7244.
[10] N. Kamilatutsaniya, E. Daniati, and M. N. Muzaki, “Pemodelan Klasifikasi Popularitas Produk Skincare Menggunakan Support Vector Machine (SVM): Studi Komparatif Kinerja Kernel.,” vol. 4, no. 2, 2025.
[11] L. D. H. Monasari and N. Pratiwi, “Klasifikasi Stunting Pada Balita Menggunakan Algoritma Decision Tree Pada Machine Learning,” 2025.
[12] F. N. Rahman, T. Listyorini, and E. Supriyati, “ANALISIS AKURASI CNN PADA DATA OLAH SUARA MANUSIA MENGGUNAKAN PARAMETER KOEFISIEN MFCC DAN MAX LENGTH,” JURNAL DIGIT, vol. 1, no. 12, pp. 1–9, 2025.
[13] H. Prayoga and R. Kurniawan, “Implementasi Algoritma C4.5 Pada Klasifikasi Status Gizi Balita Menggunakan Framework Flask,” 2025.
[14] N. S. B. Nugrahani and A. Prapanca, “Implementasi Algoritma C5.0 Pada Klasifikasi Status Gizi Balita Di Kecamatan Ponorogo,” vol. 06, 2025.
[15] Dhika Malita Puspita Arum, Kartika Imam Santoso, Andri Triyono, Eko Supriyadi, Agus Susilo Nugroho, and E. Widodo, “ALGORITMA RANDOM FOREST, DECISION TREE, DAN XGBOOST UNTUK KLASIFIKASI STUNTING PADA BALITA,” JT, vol. 23, no. 1, pp. 67–76, July 2025, doi: 10.26623/transformatika.v23i1.12202.
[16] W. Kurniawan, D. Muriyatmoko, and S. A. Taufiq, “Klasifikasi Status Gizi Balita Menggunakan Algoritma Naive Bayes Berdasarkan Pengukuran Antropometri,” vol. 9.
[17] C. P. W. Kase and S. Y. J. Prasetyo, “Analisis Faktor Risiko Stunting pada Balita di Desa Kesetnana Menggunakan Metode Random Forest”.
[18] P. Septiana Rizky, R. Haiban Hirzi, and U. Hidayaturrohman, “Perbandingan Metode LightGBM dan XGBoost dalam Menangani Data dengan Kelas Tidak Seimbang,” J Statistika, vol. 15, no. 2, pp. 228–236, 2022, doi: 10.36456/jstat.vol15.no2.a5548.
[19] R. P. PRADANA, “Stunting Toddler (Balita) Detection (121K rows).” Accessed: Sept. 07, 2025. [Online]. Available: https://www.kaggle.com/datasets/rendiputra/stunting-balita-detection-121k-rows
[20] A. H. Painneon, Y. P. K. Kelen, and P. G. Manek, “Sistem Pendukung Keputusan Untuk Menentukan Klasifikasi Tumbuh Kembang Balita Menggunakan Metode Weighted Aggregated Sum Product Assesment (Waspas) Studi Kasus: Posyandu Manektob,” 2025.
