Implementasi Algoritma C4.5 dalam Penentuan Status Gizi Balita di Desa Banajarsari

Abstract

Status gizi pada balita merupakan indikator penting dalam menilai tingkat kesehatan dan perkembangan anak. Oleh karena itu, metode yang andal dan efisien diperlukan untuk mengklasifikasikan status gizi secara akurat dan membantu mencegah masalah gizi yang berpotensi pada tahap awal. Penelitian ini bertujuan untuk merancang sistem yang mampu memprediksi status gizi balita dengan memanfaatkan algoritma C4.5 sebagai metode pengolahan data utama. Proses klasifikasi didasarkan pada data antropometri yang dikumpulkan dari balita di Pos layanan kesehatan Desa Banjarsari, dengan atribut utama meliputi jenis kelamin, usia, berat badan dan tinggi badan. Statu gizi dikategorikan menjadi tiga kelompok, yaitu kategori baik, kurang dan lebih. Pendekatan klasifikasi dilakukan menggunakan algoritma C4.5 dengan menerapkan metodologi CRISP-DM, dan performa model ditelaah dengan confusion matrix. Standart penilaian seperti akurasi, recall, f1-score, dan presisi diukur dengan memanfaatkan library scikit-learn. Model paling akurat kemudian diimplementasikan dalam aplikasi berbasis web. Diantara semua skenario uji, skenario 2 menampilkan kinerja terbaik, dengan akurasi 97%, serta rata-rata tertimbang untuk presisi, recall, dan f1-score juga sebesar 97%. 

Status gizi pada balita merupakan indikator penting dalam menilai tingkat kesehatan dan perkembangan anak. Oleh karena itu, metode yang andal dan efisien diperlukan untuk mengklasifikasikan status gizi secara akurat dan membantu mencegah masalah gizi yang berpotensi pada tahap awal. Penelitian ini bertujuan untuk merancang sistem yang mampu memprediksi status gizi balita dengan memanfaatkan algoritma C4.5 sebagai metode pengolahan data utama. Proses klasifikasi didasarkan pada data antropometri yang dikumpulkan dari balita di Pos layanan kesehatan Desa Banjarsari, dengan atribut utama meliputi jenis kelamin, usia, berat badan dan tinggi badan. Statu gizi dikategorikan menjadi tiga kelompok, yaitu kategori baik, kurang dan lebih. Pendekatan klasifikasi dilakukan menggunakan algoritma C4.5 dengan menerapkan metodologi CRISP-DM, dan performa model ditelaah dengan confusion matrix. Standart penilaian seperti akurasi, recall, f1-score, dan presisi diukur dengan memanfaatkan library scikit-learn. Model paling akurat kemudian diimplementasikan dalam aplikasi berbasis web. Diantara semua skenario uji, skenario 2 menampilkan kinerja terbaik, dengan akurasi 97%, serta rata-rata tertimbang untuk presisi, recall, dan f1-score juga sebesar 97%.