Application of the Random Forest Algorithm for Classifying Children's Nutritional Status

Rahma Jihan Ananta, Nurdin Nurdin

Sari


Status gizi yaitu suatu kondisi terkait gizi yang bisa diukur dan merupakan hasil dari adanya keseimbangan kebutuhan gizi pada tubuh dengan asupan gizi dari makanan. Klasifikasi yaitu teknik yang digunakan dalam data mining, untuk menganalisis data yang kemudian dijadikan kedalam beberapa kategori sesuai dengan variabel-variabel yang terkait. Pada Metode yang akan digunakan merupakan Algoritma Random Forest digunakan untuk klasifikasi klasifikasi status gizi anak berdasarkan data Dinas Kesehatan Lhokseumawe. Tujuan penelitian adalah untuk menerapkan Algoritma Random Forest untuk melakukan klasifikasi status gizi anak serta mengetahui tingkat akurasi dan efektivitas Random Forest dalam melakukan klasifikasi status gizi anak. Metode penelitian yang digunakan dalam penelitian ini adalah metode pengumpulan data dan metode perancangan sistem, dalam metode pengumpulan data penulis mengumpulkan sample data, observasi, wawancara, dan studi literatur, kemudian dalam metode perancangan sistem penulis melakukan analisa kebutuhan sistem, dan analisa metode perancangan sistem. Sistem klasifikasi status gizi balita di Dinas Kesehatan Kota Lhokseumawe menggunakan algoritma Random Forest berhasil dikembangkan dengan dataset antropometri 2185 sampel yang terdiri dari variabel jenis kelamin (L0, P1), usia bulan, berat badan, tinggi badan, dan indeks massa tubuh (IMT) yang telah melalui preprocessing lengkap berupa label coding dan normalisasi Min-Max Scaling ke rentang, menghasilkan kinerja sebesar 97,89% pada dashboard produksi yang konsisten dengan perhitungan manual 75,51% menggunakan bootstrap sampling dan mayoritas voting dari 3 pohon ansambel. Tahapan pemodelan data mencakup transformasi kategorikal status_gizimenjadi numerik (obesitas0, stunting1, underweight2, wasting3) serta pembagian dataset 80:20 (350 data latih, 87 data uji) dengan stratified sampling yang mempertahankan proporsi kelas realistis sesuai prevalensi gizi buruk di Indonesia, di mana underweight dominan diikuti stunting dan wasting minoritas

Teks Lengkap:

PDF (English)

Referensi


Afridah, R., Ula, M., & Rosnita, L. (2024). Performance Analysis Algorithm Classification and Regression Trees and Naive Bayes Based Particle Swarm Optimization for Credit Card Transaction Fraud Detection. International Journal of Engineering, Science and Information Technology, 4(3), 47–54. https://doi.org/10.52088/ijesty.v4i3.523

A. Khaidar, N. Nurdin, F. Fajriana, “Single Tuition Fee Classification Using Light Gradient Boosting Machine with Confusion Matrix Analysis,†Journal of Artificial Intelligence and Software Engineering (J-AISE), vol. 5, no. 4, p. 1444-1454, Desember 2025. doi: 10.30811/jaise.v5i4.847

Anshari, S. F., Suwanda, R., & Rosnita, L. (2022). Penerapan Metode Cross Selling Pada Website E-Commerce ( Studi Kasus : Penjualan Suku Cadang Kendaraan ). 472–479.

Aprilia, Y. N., Sani, D. A., & Anggadimas, N. M. (2024). Klasifikasi Status Penderita Gizi Stunting pada Balita Menggunakan Metode Random Forest (Studi Kasus di Kelurahan Petamanan Kota Pasuruan). INTEGER: Journal of Information Technology, 9(2), 143–154.

Aula, N., Ula, M., & Rosnita, L. (2023). Analisis Sentimen Review Customer Terhadap Perusahaan Ekspedisi Jne, J&T Express Dan Pos Indonesia Menggunakan Metode Support Vector Machine (Svm). Journal of Informatics and Computer Science, 9(1), 81. https://doi.org/10.33143/jics.v9i1.2947

Candra, E. N., Cholissodin, I., & Wihandika, R. C. (2022). Klasifikasi Status Gizi Balita Menggunakan Metode Optimasi Random Forest Dengan Algoritme Genetika (Studi Kasus: Puskesmas Cakru). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 6(5), 2188–2197. http://j-ptiik.ub.ac.id

Fadellia Azzahra, Suarna, N., & Arie Wijaya, Y. (2024). Penerapan Algoritma Random Forest Dan Cross Validation Untuk Prediksi Data Stunting. Kopertip : Jurnal Ilmiah Manajemen Informatika dan Komputer, 8(1), 1–6. https://doi.org/10.32485/kopertip.v8i1.238

Faisal, M., Nurdin, Fajriana, & Fitri, Z. (2022). Information and Communication Technology Competencies Clustering for students for Vocational High School Students Using K-Means Clustering Algorithm. International Journal of Engineering, Science and Information Technology, 2(3), 111–120. https://doi.org/10.52088/ijesty.v2i3.318

Fakhriansyah, M., Fathimahhayti, L. D., & Gunawan, S. (2022). Analisis sentimen ciutan twitter terkait penerapan permendikbudristek nomor 30 tahun 2021 menggunakan textBlob dan support vector machine. G-Tech : Jurnal Teknologi Terapan, 6(2), 295–305. https://ejournal.uniramalang.ac.id/index.php/g-tech/article/view/1823/1229

Fatmawati, M., Herlambang, B. A., & Nada, N. Q. (2024). Random Forest Algorithm for Toddler Nutritional Status Classification Website. Journal of Applied Informatics and Computing, 8(2), 428–433. https://doi.org/10.30871/jaic.v8i2.8463

Fhonna, R. P., Afrillia, Y., Zulfan, Aqmal, J., & Abadi, S. (2023). Klasifikasi Penentuan Jenis Tanah yang Sesuai Terhadap Tanaman Pangan Sebagai Solusi Ketahanan Pangan di Kabupaten Pidie Jaya Menggunakan Metode Random Forest. Jurnal Informasi dan Teknologi, 5(4), 12–18. https://doi.org/10.60083/jidt.v5i4.402

Finda, S. M., & Utomo, D. W. (2024). Klasifikasi Stunting Balita menggunakan Metode Ensemble Learning dan Random Forest. Infotekmesin, 15(2), 287–295. https://doi.org/10.35970/infotekmesin.v15i2.2326

Frisilia, J., Pekuwali, A. A., Marthen, L., & Ratu, D. (2025). Implementasi Algoritma Random Forest Untuk Klasifikasi Status Gizi Balita ( Studi Kasus : Puskesmas Kambaniru ) ( Implementation Of Random Forest Algorithm For Toddler Nutritional Status Classification , A Case Study At Kambaniru Health Center ). 04(02), 233–240.

Gustriansyah, R., Suhandi, N., Puspasari, S., & Sanmorino, A. (2024). Machine Learning Method to Predict the Toddlers’ Nutritional Status. Jurnal Infotel, 16(1), 32–43. https://doi.org/10.20895/infotel.v15i4.988

Gustriansyah, R., Suhandi, N., Puspasari, S., Sanmorino, A., & Sartika, D. (2023). Toddlers’ Nutritional Status Prediction Using the Multinomial Logistics Regression Method. Journal of Computer Networks, Architecture and High Performance Computing, 6(1), 25–33. https://doi.org/10.47709/cnahpc.v6i1.3372

Handayani, P., & Fauzan, C. A. (2024). Machine Learning Klasifikasi Status Gizi Balita Menggunakan Algoritma Random Forest. KLIK: Kajian Ilmiah Informatika dan Komputer, 4(6), 3064–3072. https://doi.org/10.30865/klik.v4i6.1909

Hemo, S. A., & Rayhan, M. I. (2021). Classification tree and random forest model to predict under-five malnutrition in Bangladesh. Biometrics & Biostatistics International Journal, 10(3), 116–123. https://doi.org/10.15406/bbij.2021.10.00337

Herisnan, D. N., & Daulay, S. (2025). Classification of Processed Food Menu Compositions Against Toddler Nutrition Standards Using Random Forest Klasifikasi Komposisi Menu Makanan Olahan Terhadap Standar Gizi Balita Menggunakan Random Forest. 5(October), 1498–1507.

Muhammad, I. I., & Nudin, S. R. (2024). Pengembangan Sistem Prediksi Status Gizi Balita Berbasis Website Menggunakan Metode Random Forest di Posyandu Kumis Kucing. Jurnal Manajemen Informatika, 1–14. https://ejournal.unesa.ac.id/index.php/jurnal-manajemen-informatika/article/download/61572/47042

Nurdin, & Khaledy, B. W. (2017). Implementasi Data Mining Untuk Mengklasifikasi Data Nasabah Pt. Adira Finance Aceh Tengah Menggunakan Algoritma C4.5. Jurnal Sistem Informasi Kaputama (JSIK ), 1(1), 1–10. https://doi.org/10.59697/jsik.v1i1.730

Nurdin, N., Suhendri, M., Afrilia, Y., & Rizal, R. (2021). Klasifikasi Karya Ilmiah (Tugas Akhir) Mahasiswa Menggunakan Metode Naive Bayes Classifier (NBC). Sistemasi, 10(2), 268. https://doi.org/10.32520/stmsi.v10i2.1193

Nurdin, N., Susanti, E., Aidilof, H. A.-K., & Priyanto, D. (2022). Comparison of Naive Bayes and Dempster Shafer Methods in Expert System for Early Diagnosis of COVID-19. MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, 22(1), 215–228.




DOI: http://dx.doi.org/10.30811/jaise.v6i2.8655

Refbacks

  • Saat ini tidak ada refbacks.


Indexing :

Creative Commons License
Journal of Artificial Intelligence and Software Engineering (JAISE) licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.