OPTIMASI ALGORITMA RANDOM FOREST MENGIDENTIFIKASI STUNTING DENGAN OPTUNA BERBASIS MOBILE

Stunting merupakan masalah gizi kronis yang berdampak pada pertumbuhan dan perkembangan anak. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi status gizi anak berbasis aplikasi mobile sebagai prototipe dengan mengoptimalkan algoritma Random Forest. Dataset yang digunakan berjumlah 110.000 data sebelum dilakukan preprocessing. Dua permasalahan utama yang dihadapi adalah ketidakseimbangan data antar kelas dan penggunaan parameter default yang belum tentu optimal. Untuk mengatasi hal tersebut, digunakan pendekatan Synthetic Minority Oversampling Technique (SMOTE) untuk penyeimbangan data dan Optuna sebagai metode tuning hyperparameter. Evaluasi dilakukan menggunakan confusion matrix, F1-score, serta didukung dengan pengukuran AUC dan ROC curve. Hasil terbaik diperoleh dari model Random Forest yang dioptimasi dengan Optuna tanpa SMOTE, dengan akurasi sebesar 98,20% dan F1-score 98,15%. Temuan ini menunjukkan bahwa tuning hyperparameter dapat meningkatkan performa model secara signifikan bahkan tanpa teknik penyeimbangan data. Model ini kemudian diintegrasikan ke dalam aplikasi mobile berbasis Flutter sebagai prototipe untuk memudahkan deteksi stunting secara praktis.