PERBANDINGAN ALGORITMA KNN, NAIVE BAYES DAN SVM UNTUK KLASIFIKASI STATUS STUNTING ANAK BALITA DI PUSKESMAS SEPATAN

Abstract

Penelitian ini membandingkan kinerja tiga Algoritma Machine Learning K-Nearest Neighbors (KNN), Naive Bayes (NB), dan Support Vector Machine (SVM) dalam mengklasifikasikan status stunting pada anak balita di Puskesmas Sepatan. Status stunting ditentukan berdasarkan indikator antropometri seperti berat badan, tinggi badan, dan usia. Penelitian menggunakan metode GridSearchCV untuk tuning hyperparameter dan mengevaluasi model berdasarkan Accuracy, Precision, Recall, F1-score, Specificity, dan ROC AUC. Hasil menunjukkan bahwa Naive Bayes memberikan performa terbaik dengan Accuracy 99,65%, Precision 99,67%, Recall 99,65%, F1-score 99,64%, Specificity 99,94%, dan ROC AUC 0,9999. Algoritma SVM dengan kernel linear berada di posisi kedua dengan akurasi 98,96% dan nilai ROC AUC sempurna (1,0000), sementara KNN memperoleh akurasi 96,36% dengan performa stabil pada kelas mayoritas namun menurun pada kelas minoritas. Secara keseluruhan, Naive Bayes terbukti sebagai algoritma yang paling optimal dalam penelitian ini, diikuti oleh SVM dan KNN. Temuan ini menunjukkan bahwa pemilihan algoritma Machine Learning sangat dipengaruhi oleh karakteristik data, khususnya distribusi kelas dalam dataset status gizi balita.