Model Prediksi Perkembangan Tumbuh Kembang Anak untuk Pencegahan Risiko Gizi Buruk Menggunakan Support Vector Machine (SVM) dengan Feature Selection Backward Elimination

Abstract

Penelitian ini bertujuan untuk mengembangkan model prediksi status gizi anak usia 0–5 tahun guna mencegah risiko gizi buruk, dengan memanfaatkan algoritma machine learning berbasis Support Vector Machine (SVM). Permasalahan gizi buruk yang masih tinggi di wilayah tertentu, seperti Kelurahan Gaharu, menjadi latar belakang penting dalam penelitian ini. Model dikembangkan dengan menggunakan data antropometri dan faktor sosial, seperti berat badan, tinggi badan, usia, imunisasi dasar, dan pendapatan keluarga. Untuk meningkatkan akurasi prediksi dan menyederhanakan model, diterapkan metode feature selection menggunakan Backward Elimination. Proses pelatihan dan evaluasi model dilakukan menggunakan teknik Stratified K-Fold Cross Validation dan metrik evaluasi seperti akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model SVM dengan kernel linear memberikan akurasi tinggi hingga 98,10% setelah dilakukan seleksi fitur. Dengan integrasi teknologi prediksi ini, sistem dapat membantu tenaga kesehatan dalam mendeteksi risiko gizi buruk secara lebih cepat, akurat, dan efisien, serta mendukung pengambilan keputusan intervensi gizi yang lebih tepat sasaran.