COMPARATIVE ANALYSIS OF RANDOM FOREST, KNN, AND SVM FOR TODDLER STUNTING CLASSIFICATION
Abstract
Abstract: Stunting is a chronic nutritional condition in toddlers characterized by a Height-for-Age (HFA) measurement below the standard growth threshold, necessitating early detection to prevent long-term consequences. This study aims to classify toddler stunting status by comparing three machine learning methods: Random Forest (RF), K-Nearest Neighbor (KNN), and Support Vector Machine (SVM). The dataset comprises 345 toddler records from Puskesmas Indramayu (2025), including weight, height, and nutritional status based on WFA, HFA, and WFH indicators. Preprocessing steps include data cleaning, StandardScaler normalization, One-Hot Encoding for categorical features, and splitting the training and testing data with a ratio of 80:20. The comparison results are that KNN achieved the best performance with an accuracy of 71.01%, a precision of 0.69, a recall of 0.69, and an F1 score of 0.67, while RF and SVM both had an accuracy of 69.57% with F1 scores of 0.67 and 0.68, respectively. Thus, KNN demonstrated superior effectiveness in classifying the stunting status of toddlers compared to RF and SVM on this dataset.
Keywords: KNN; Random Forest; SVM; Stunting; toddlers
Abstract: Stunting adalah kondisi gizi kronis pada balita yang ditandai dengan pengukuran Tinggi Badan menurut Usia (HFA) di bawah ambang batas pertumbuhan standar, sehingga memerlukan deteksi dini untuk mencegah konsekuensi jangka panjang. Penelitian ini bertujuan untuk mengklasfikasikan status stunting pada balita dengan membandingkan tiga metode pembelajaran mesin: Random Forest (RF), K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Kumpulan data terdiri dari 345 catatan balita dari puskesmas indramayu (2025), termaksut brat badan, tinggi badan, dan status gizi berdasarkan indicator WFA, HFA, dan WFH. Langkah-langkah prapemrosesan meliputi pembersian data, normalisasi Stand-ardScaler, One-Hot Encoding untuk fitur kategirikal, serta pembagian data pelatihan dan pengujian dengan rasio 80:20. Hasil perbadingan adalah KNN mencapai kinerja terbaik dengan akurasi 71,01%, presisi 0,69, recall 0,69, dan skor F1 sebesar 0,67, RF dan SVM keduanya memiliki akurasi 69,57% dengan skor F1 masing-masing sebesar 0,67 dan 0,68. Dengan demikian, KNN menunjukkan keefektifan yang lebih unggul dalam mengklasifikasikan status stunting balita dibandingkan dengan RF dan SVM pada da-taset ini.
Kata kunci: KNN; random forest; SVM; Stunting; Balita
References
Hadriani, Hadina, R. Arianty, A. Fatmawati Syamsu, F. Kolomboy, and N. Yulita Siregar, “Edukasi Stunting Sebagai Upaya Mening katkan Pengetahuan Ibu Balita Da-lam Pencegahan Stunting di De-sa,” Ju Jurnal Kolaboratif Sai ns, vol. 7, no. 11, pp. 4003–4012, 2024, doi: 10.56338/jks.v7i11 .6617.
M. E. Setiyawati, L. P. Ardhiyanti, E. N. Hamid, N. Ayu, T. Muliarta, and Y. J. Raihanah, “Studi Litera tur: Keadaan Dan Penanganan Stunting Di Indonesia,” IKRAITH-HUMANIORA, Jul. 2024, doi: 10.37817/ikraith-humaniora.v8i2.
Kemenkes, “SSGI 2024: Prevale nsi Stunting Nasional Turun Men-jadi 19,8%,” Kemenkes. Accessed: Dec. 21, 2025. [Online]. Available: https://kemkes.go.id/id/ ssgi-2024-prevalensi-stunting-nasional-turun-menjadi-198
N. A. Sholikhin and S. Atmojo, “Aplikasi WEB Untuk KLASIFIK ASI STUNTING Pada Balita Dengan Menggunakan Metode K-NEAREST NEIGHBOURS (Studi Kasus Posyandu Jawu Kidul),” The Journal of System Engineering and Technological Innovation, vol. 01, no. Vol 1 No 02 (2022): Oktober 2022, pp. 44–47, Oct. 2022, doi: https://doi.org/10. 38156/jisti.v1i02.23.
Y. Wiratama and R. A. Aziz, “Per-bandingan Prediksi Penyakit Stunting Balita Menggunakan Algoritma Support Vektor Machine dan Random Forest,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 2, pp. 1159–1168, Sep. 2024, doi: 10.47065/bits.v6 i2.5543.
S. R. Pratama and I. N. Fajri, “Com-parison of K-Nearest Neighbor (KNN) and Support Vector Machine (SVM) Algorithms in Predicting Customer Satisfaction,” Journal of Computer Science and Informatics Engineering, vol. 4, no. 3, pp. 135–146, Jun. 2025, doi: 10.55537 /cosie.v4i3.1160.
Y. Yunani, “Deteksi dini status kesehatan balita dan status kesehatan ibu balita resiko stunting pada anak balita,” MCHC THE JOURNAL OF Mother and Child Health Concerns, no. Vol. 4 No. 5 (2025): June Edition 2025, Jun. 2025, doi: https://doi.org /10.56 922/mchc.v4i5.1066.
Supriyadi, E. Oktavianto, D. Nur Adkhana Sari, and P. Studi Keperawatan Stikes Surya Global, “Pendidikan Kesehatan Tentang Pencegahan Stunting Pada Ibu Balita,” Jurnal Pengabdian Masya rakat Kesehatan Terkini, no. Vol. 2 No. 2 (2023), Aug. 2023, doi: https://doi.org/10.58516/4q9t8t83.
F. Ramadhani et al., “Sosialisasi 1000 HPK Sebagai Upaya Pencegahan Stunting Pada Balita Di Kabupaten Gorontalo,” Insan Cita: Jurnal Pengabdian Kepada Masyarakat, no. Vol. 5 No. 2 (2023), Aug. 2023, doi: https:// doi.org/10.32662/insancita.v5i2.2444.
M. Mulyono, E. Budianita, A. Nazir, and F. Syafria, “Klasifikasi Status Stunting Balita Mengguna kan Metode Naïve Bayes Gaussian Berbasis Web,” Jurnal Informatika Universitas Pamulang, vol. 8, no. 3, pp. 399–406, Sep. 2023, doi: 10.32493/informatika .v8i3.33399.
S. Marsya Finda and D. Wahyu Utomo, “Klasifikasi Stunting Bali ta menggunakan Metode Ensemble Learning dan Random Forest,” Jl. Imam Bonjol No, vol. 15, no. 02, 2024, doi: 10.35970/in fotek-mesin.v15i2.2326.
T. Prasetiya, I. Ali, C. L. Rohmat, and O. Nurdiawan, “Klasifikasi Status Stunting Balita Di Desa Slangit Menggunakan Metode K-Nearest Neighbor,” INFORMATI CS FOR EDUCATORS AND PROFESSIONALS, vol. 4, no. 2, pp. 93–104, 2020.
Lia Lumbaa, Evangs Mailoa, and Magdalena A. Ineke Pakereng, “Implementasi Metode SVM Dan Gradiant Boost Dalam Klasifikasi Bahasa Daerah (Halmahera, Kalim antan, Toraja),” JATISI (Jurnal Teknik Informatika dan Sistem In-formasi), vol. 908–915, no. Vol 9 No 2 (2022): JATISI (Jurnal Teknik Informatika dan Sistem In-formasi), Jun. 2022, doi: https:// doi.org/10.35957/jatisi.v9i2.1663.
RB Fajriya Hakim, “SVM (Support Vector Machine),” Medium. Ac-cessed: May 30, 2026. [Online]. Available: https://medium.com /@986110101/svm-support-vector-machine-6ee9fccd4222
Y. Fauziah, F. Khairani, A. N. Nasution, S. Tinggi, I. K. Flora, and U. S. Utara, “Perubahan Pengetahuan Ibu Sebelum Dan Sesudah Membaca Media Leaflet Tentang Stunting Pada Ibu Anak Balita Stunting,” Jurnal Kesehatan Ilmiah Indonesia ( Indonesian Health Scientific Journal, vol. 9, no. Vol. 9 No. 1 (2024):, p. 220, 2024, doi: https://doi.org/10 .51933/health.v9i1.1287.
S. Suhaemi, H. Hidayani, and A. S. Rini, “Hubungan Pola Asuh Status Gizi Pengetahuan Ibu Dengan Kejadian Stunting Pada Balita,” SIMFISIS: Jurnal Ke-bidanan Indonesia, vol. 3, no. 2, pp. 615–622, Nov. 2023, doi: 10.53801/sjki.v3i2.185.
S. P. I. Hadi, R. I. Hakim, and S. Pabidang, “Pencegahan Stunting melalui Edukasi Kebutuhan Dasar Anak di Desa Sewukan, Kec.Du kun Kab. Magelang,” Jurnal Kreativitas Pengabdian Kepada Masya rakat (PKM), vol. 8, no. 4, pp. 2040–2050, Apr. 2025, doi: 10.33024/jkpm.v8i4.18722.
S. Sukati, S. Aisyah, W. Ernawati, and A. Zuitasari, “Faktor-Faktor Yang Mempengaruhi Kejadian Stunting Pada Anak Balita Di Wilayah Kerja UPTD Puskesmas Peninjauan Tahun 2022,” Jurnal Ilmu Kebidanan dan Kesehatan, vol. 15, no. 1, pp. 30–35, 2024, doi: 10.52299/jks.v15i1.217.
