ANALISIS PERBANDINGAN KINERJA NAIVE BAYES, SUPPORT VECTOR MACHINE, DAN RANDOM FOREST PADA KLASIFIKASI MULTICLASS STATUS GIZI BALITA MENGGUNAKAN SYNTHETIC MINORITY OVER-SAMPLING TECHNIQUE

Status gizi balita merupakan indikator penting dalam pemantauan kesehatan anak, namun permasalahan ketidakseimbangan data (imbalanced data) pada dataset kesehatan sering menjadi kendala dalam membangun model klasifikasi yang optimal. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Naïve Bayes, Support Vector Machine (SVM), dan Random Forest dalam mengklasifikasikan status gizi balita, serta menentukan algoritma dengan performa terbaik dan mengidentifikasi fitur yang paling berpengaruh dalam proses klasifikasi. Data yang digunakan merupakan data antropometri balita dari Puskesmas Purwokerto Selatan periode Januari hingga Desember 2025 dengan total 37.308 data yang setelah preprocessing menjadi 33.313 data. Variabel yang digunakan meliputi berat badan, tinggi badan, lingkar lengan atas (LiLA), usia, dan jenis kelamin sebagai fitur input, serta status gizi BB/TB sebagai variabel target yang terdiri dari 6 kelas. Metode yang diterapkan meliputi preprocessing data, pembagian dataset dengan rasio 80:20, penerapan Synthetic Minority Over-sampling Technique (SMOTE) pada data latih untuk mengatasi ketidakseimbangan kelas, dan validasi menggunakan 5-Fold Cross validation. Hasil penelitian menunjukkan bahwa Random Forest dengan SMOTE merupakan model terbaik dengan nilai accuracy 95,75%, precision 95,88%, recall 95,75%, dan F1-score 95,79%. Penerapan SMOTE meningkatkan performa Random Forest dan Support Vector Machine (SVM), namun menurunkan performa Naïve Bayes akibat ketidaksesuaian asumsi distribusi normal dengan karakteristik data sintetis. Hasil feature importance menunjukkan berat badan (39,8%), tinggi badan (27,1%), LiLA (18,1%), usia (13,3%), dan jenis kelamin (1,6%) sebagai fitur paling berpengaruh dalam klasifikasi status gizi balita.