EVALUASI KOMPARATIF MULTINOMIAL LOGISTIC REGRESSION, RANDOM FOREST, DAN LIGHTGBM PADA KLASIFIKASI STATUS GIZI BALITA BERBASIS DATA ANTROPOMETRI TIDAK SEIMBANG

Abstrak

Klasifikasi status gizi balita berbasis antropometri mendukung pemantauan kesehatan secara cepat dan konsisten. Namun, distribusi kelas yang tidak seimbang membuat akurasi konvensional tidak memadai sebagai metrik evaluasi tunggal. Penelitian ini bertujuan membandingkan kinerja pipeline “Multinomial Logistic Regression”,“Random Forest”, dan “LightGBM” dalam klasifikasi multikelas status gizi balita pada dataset antropometri yang tidak seimbang. Penelitian kuantitatif ini menggunakan data sekunder dari Posyandu Desa Ujunggenteng, UPTD Puskesmas Ciracap tahun 2025 sebanyak 3.716 sampel balita dengan fitur jenis kelamin, usia, berat badan, tinggi badan, serta label status gizi. Evaluasi model dilakukan melalui “Stratified Train-Test Split”, “Stratified K-Fold Cross Validation”,”GridSearchCV”, serta penanganan ketidakseimbangan data menggunakan “class weight” dan “SMOTENC, dengan fokus utama pada metrik “i Hasil pengujian menunjukkan bahwa pipeline “LGBM_SMOTENC” memberikan performa terbaik dengan “Best CV F1 Macro” sebesar 0,829, “Test F1 Macro” 0,844, i 0,956, dan “Test Balanced Accuracy” 0,858. Secara rinci, “F1-score” per kelas mencapai 0,800 untuk kurang gizi, 0,976 untuk gizi baik, 0,831 untuk risiko gizi lebih, dan 0,769 untuk gizi lebih. Dengan demikian, “LightGBM” disertai “SMOTENC” terbukti paling konsisten dan efektif, menegaskan bahwa evaluasi pada data tidak seimbang wajib mempertimbangkan “F1 Macro” dan “Balanced Accuracy” di samping akurasi.