Abstrak
Malnutrisi pada balita tetap menjadi masalah kesehatan masyarakat yang serius, terutama di daerah terpencil seperti Kalijambe. Studi ini menggunakan teknik pembelajaran mesin yang diawasi untuk mengklasifikasikan status gizi anak-anak di bawah lima tahun menggunakan tiga indikator antropometri: berat badan menurut usia (BB/U), tinggi badan menurut usia (TB/U), dan berat badan menurut tinggi badan (BB/TB). Dua algoritma yakni K-Nearest Neighbors (K-NN) dengan k = 3 dan Support Vector Machine (SVM) dievaluasi berdasarkan akurasi, presisi, recall, dan skor F1. Model K-NN (k = 3) mencapai akurasi sekitar 81,8%, presisi 84,4%, recall 81,8%, dan skor F1 83,0%, menunjukkan kinerja prediksi agregat yang kuat pada data yang bersih dan representatif. Di sisi lain, SVM mencatat presisi yang lebih tinggi sekitar 89,0%, sementara akurasi dan recall secara keseluruhan sedikit lebih rendah yakni 76,8% dan skor F1 sebesar 81,3%. Hal ini menunjukkan bahwa K-NN cocok untuk tugas klasifikasi yang luas, sedangkan SVM unggul dalam mengurangi false positive dan mendeteksi kasus minoritas dengan sensitivitas tinggi. Penelitian selanjutnya akan mengintegrasikan metode penyeimbangan data seperti SMOTE, penyesuaian hiperparameter, dan pemodelan ensembel/hibrida untuk meningkatkan sensitivitas terhadap kasus malnutrisi langka sambil mempertahankan akurasi global yang tinggi. Model-model ini memiliki potensi besar untuk memperkuat sistem deteksi dini malnutrisi di fasilitas kesehatan primer seperti Puskesmas, memfasilitasi intervensi yang lebih cepat, dan mengurangi beban malnutrisi pada balita.
Kata kunci:
Malnutrisi balita, Pembelajaran mesin, Indikator antropometri, Support Vector Machine (SVM), K-Nearest Neighbors (K-NN)
Abstract
Malnutrition in toddlers remains a serious public health issue, especially in remote areas such as Kalijambe. This study utilizes supervised machine learning techniques to classify the nutritional status of children under five years old using three anthropometric indicators: weight-for-age (BB/U), height-for-age (TB/U), and weight-for-height (BB/TB). Two algorithms K-Nearest Neighbors (K-NN) with k = 3 and Support Vector Machine (SVM) were evaluated based on accuracy, precision, recall, and F1 score. K-NN (k = 3) achieved an accuracy of approximately 81.8?%, precision 84.4?%, recall 81.8?%, and F1 score 83.0?%, indicating robust aggregate prediction performance on clean, representative data. In contrast, SVM recorded higher precision at about 89.0?%, while its overall accuracy and recall were slightly lower it is 76.8?% and F1 score stood at 81.3?%. This suggests that K-NN is well-suited for broad classification tasks, whereas SVM excels in reducing false positives and sensitively detecting minority cases. Future work will incorporate data balancing methods like SMOTE, hyperparameter tuning, and ensemble/hybrid modeling to enhance sensitivity to rare malnutrition cases while maintaining high global accuracy. These models have strong potential to strengthen early malnutrition detection systems in primary health care settings such as Puskesmas, enabling faster interventions and reducing the burden of malnutrition in toddlers.
Keywords:
Toddler malnutrition, Machine learning, Anthropometric indicators, Support Vector Machine (SVM), K-Nearest Neighbors (K-NN)