PERBANDINGAN ALGORITMA XGBOOST DAN REGRESI LOGISTIK PADA KLASIFIKASI STUNTING BALITA DENGAN ANALISIS SHAP (Studi Kasus: Kecamatan Cilongok)

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Extreme Gradient Boosting (XGBoost) dan Logistic Regression dalam klasifikasi status stunting pada balita di Kecamatan Cilongok, Kabupaten Banyumas. Data yang digunakan berupa 7.089 catatan antropometri balita dari dua Puskesmas, dengan prevalensi stunting sebesar 18,51%. Setelah proses pembersihan data, diperoleh 6.984 record dengan proporsi stunting 18,67% yang digunakan dalam pemodelan. Tahap pra pemrosesan meliputi parsing usia ke satuan bulan, imputasi median untuk nilai hilang, normalisasi dengan Min Max Scaling, serta penanganan ketidakseimbangan kelas menggunakan Synthetic Minority Over sampling Technique (SMOTE). Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, F1 Score, dan ROC AUC dengan skema 5 fold cross validation. Hasil menunjukkan bahwa XGBoost memiliki performa lebih tinggi dibanding Logistic Regression, dengan rata rata F1 Score sebesar 0,8765 ± 0,0186. Analisis interpretabilitas model dilakukan menggunakan metode SHAP (Shapley Additive Explanations) untuk mengidentifikasi kontribusi variabel terhadap prediksi. Hasil analisis SHAP konsisten menempatkan tinggi badan, usia, dan berat badan sebagai variabel paling berpengaruh terhadap klasifikasi stunting. Penelitian ini menyimpulkan bahwa XGBoost lebih unggul dalam akurasi dan konsistensi dibanding Logistic Regression, sementara metode SHAP memberikan transparansi dalam interpretasi model. Temuan ini diharapkan dapat mendukung tenaga kesehatan dalam memahami faktor dominan stunting serta meningkatkan efektivitas pemantauan gizi balita.