Application of the Decision Tree Method for Classifying the Nutritional Status of Toddlers
Article Sidebar
Main Article Content
Abstract
Early childhood represents a crucial stage in human growth and development, making nutritional monitoring essential to prevent long-term health issues such as stunting. This research focuses on developing a nutritional status classification model for toddlers by applying the Decision Tree algorithm with four categories: severely stunted, stunted, normal, and tall. The dataset, obtained from Kaggle, contains 121,000 records and includes attributes such as age, gender, and height. The study was carried out through several phases, starting with data preprocessing to handle missing values, detect outliers, and balance class distribution, followed by model training in R-Studio, and performance evaluation using accuracy, precision, recall, and F1-score. The experimental results demonstrate that the model achieved an accuracy of 89.75%, precision of 89.74%, recall of 89.83%, and an F1-score of 89.78%. The novelty of this study lies in implementing a multi-class classification approach on a large and representative dataset, integrating oversampling and parameter optimization techniques to improve predictive performance, and conducting feature importance analysis that highlights the significant influence of height and age in determining nutritional status. Therefore, this work not only provides a reliable classification model but also contributes practical insights for developing early detection systems to support stunting prevention among toddlers.
Article Details
Section
Penulis yang menerbitkan dengan jurnal ini setuju pada persyaratan berikut ini:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama, dengan pekerjaan 6 bulan setelah penerbitan secara simultan dengan lisensi di bawah: Creative Commons Attribution License yang memudahkan yang lain untuk berbagi karya dengan pengakuan penerbitan awal dan kepenulisan karya di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non-ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
How to Cite
References
[1] H. Harahap, B. Budiman, and Y. Widodo, “Gangguan pertumbuhan dan perkembangan pada anak usia 0,5–1,9 tahun terkait dengan asupan makanan dan pengasuhan yang kurang,” *Gizi Indonesia*, vol. 41, no. 1, pp. 49–58, 2018, doi : 10.36457/gizindo.v41i1.247
[2] Y. Rismala, Aguswan, D. E. Priyantoro, and Suryadi, “Dampak Penggunaan Gadget Terhadap Perkembangan Sosial Anak Usia Dini,” El-Athfal J. Kaji. Ilmu Pendidik. Anak, vol. 1, no. 01, pp. 46–55, 2021, doi: 10.56872/elathfal.v1i01.273.
[3] G. S. Pratiwi, M. D. Purnamasari, and A. Kartikasari, “Korelasi tingkat pengetahuan feeding rules ibu dengan status gizi batita,” J. Bionursing, vol. 5, no. 1, pp. 76–82, 2023. doi : 10.36457/gizindo.v41i1.247
[4] S. Suhartatik and Z. Al Faiqah, “Peran Kader Posyandu dalam Pemantauan Status Gizi Balita : Literature Review,” J. Heal. Educ. Lit., vol. 5, no. 1, pp. 19–25, 2022, doi: 10.31605/j-healt.v5i1.1573.
[5] H. Hafizan and A. N. Putri, “Penerapan Metode Klasifikasi Decision Tree Pada Status Gizi Balita Di Kabupaten Simalungun,” KESATRIA J. Penerapan Sist. Inf. (Komputer Manajemen), vol. 1, no. 2, pp. 68–72, 2020, doi: 10.30645/kesatria.v1i2.23.
[6] H. D. Herawati, H. K. Rahayu, R. K. Triastanti, and R. Rusiyono, “Pencegahan Malnutrisi pada Anak Prasekolah melalui Pelatihan Pengukuran Status Gizi pada Guru PAUD,” Media Karya Kesehat., vol. 6, no. 1, pp. 157–168, 2023, doi: 10.24198/mkk.v6i1.40800.
[7] H. Atasasih, I. S. Paramita, and D. Rahayu, "Penilaian Status Gizi Antromopometri Pada Balita,", 1st ed. Maros: SALNESIA, 2024.
[8] M. Yunus and N. K. A. Pratiwi, “Prediksi Status Gizi Balita Dengan Algoritma K-Nearest Neighbor (KNN) di Puskemas Cakranegara,” JTIM J. Teknol. Inf. dan Multimed., vol. 4, no. 4, pp. 221–231, 2023, doi: 10.35746/jtim.v4i4.328.
[9] P. Handayani, A. Charis Fauzan, and Harliana, “KLIK: Kajian Ilmiah Informatika dan Komputer Machine Learning Klasifikasi Status Gizi Balita Menggunakan Algoritma Random Forest,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 6, pp. 3064–3072, 2024, doi: 10.30865/klik.v4i6.1909.
[10] H. B. Setiawan and G. P. Utama, “Klasifikasi Status Gizi Balita Menggunakan Metode Naïve Bayes Classifier,” Jurnal Ilmu Pengetahuan dan Teknologi (IPTEK), no. September, pp. 707–715, 2022, doi : 10.31543/jii.v9i1.379
[11] W. A. Adzani and P. S. Sasongko, “Klasifikasi Status Gizi Balita Menggunakan Metode Backpropagation Dengan Algoritma Levenberg-Marquardt dan Inisialisasi Nguyen Widrow,” J. Masy. Inform., vol. 12, no. 1, pp. 29–43, 2021, doi: 10.14710/jmasif.12.1.41020.
[12] R. Gustriansyah, N. Suhandi, S. Puspasari, A. Sanmorino, and D. Sartika, “Toddlers’ Nutritional Status Prediction Using the Multinomial Logistics Regression Method,” J. Comput. Networks, Archit. High Perform. Comput., vol. 6, no. 1, pp. 25–33, 2023, doi: 10.47709/cnahpc.v6i1.3372.
[13] R. Gustriansyah, N. Suhandi, S. Puspasari, and A. Sanmorino, “Machine Learning Method to Predict the Toddlers’ Nutritional Status,” J. Infotel, vol. 16, no. 1, pp. 32–43, 2024, doi: 10.20895/infotel.v15i4.988.
[14] A. Tangkelayuk, “The Klasifikasi Kualitas Air Menggunakan Metode KNN, Naïve Bayes, dan Decision Tree,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 2, pp. 1109–1119, 2022, doi: 10.35957/jatisi.v9i2.2048.
[15] J. R. Quinlan, “Induction of decision trees,” Mach. Learn., vol. 1, no. 1, pp. 81–106, 1986, doi: 10.1007/bf00116251.
[16] I. G. A. M. P. Dewi, W. G. S. Parwita, and I. M. D. Setiawan, “Algoritma Decision Tree untuk Klasifikasi Calon Debitur LPD Desa Adat Anggungan,” J. Krisnadana, vol. 1, no. 1, pp. 23–36, 2021, doi: 10.58982/krisnadana.v1i1.79.
[17] A. H. Nasrullah, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Produk Laris,” J. Ilm. Ilmu Komput., vol. 7, no. 2, pp. 45–51, 2021, doi: 10.35329/jiik.v7i2.203.
[18] M. D. Pratama, R. Gustriansyah, and E. Purnamasari, “Klasifikasi Penyakit Daun Pisang Menggunakan Convolutional Neural Network (CNN),” J. Teknol. Terpadu, vol. 10, no. 1, 2024, doi : 10.54914/jtt.v10i1.1167