PENERAPAN ENSEMBLE LEARNING SOFT VOTING CLASSIFIER BERBASIS WEIGHTED KNN DAN LOGISTIC REGRESSION UNTUK KLASIFIKASI STATUS GIZI ANAK

Status gizi merupakan gambaran keadaan ketahanan pangan yang dibutuhkan oleh tubuh. Permasalahan gizi pada anak, baik gizi buruk maupun gizi berlebih, dapat menimbulkan dampak jangka panjang terhadap pertumbuhan dan perkembangan. Namun, proses penentuan status gizi yang dilakukan secara manual sering kali memakan waktu yang cukup lama dan rentan terhadap kesalahan klasifikasi akibat kompleksitas data antropometri. Penelitian ini bertujuan untuk menganalisis penerapan metode ensemble learning soft voting classifier dengan menerapkan algoritma Weighted K-Nearest Neighbor (WKNN) dan Logistic Regression (LR) untuk melakukan klasifikasi status gizi pada anak. Studi kasus dilakukan pada status gizi anak dengan menggunakan Dataset yang berasal dari dua sumber, yaitu posyandu Simogirang-Sidoarjo dan Kaggle, dengan total data 1.666 anak. Tahapan penelitian meliputi pre-processing data, encoding data, Normalisasi, penerapan metode SMOTE untuk metode penyeimbangan data, serta implementasi dan evaluasi model. Evaluasi dilakukan menggunakan metrik accuracy, precision, F1-score, dan recall untuk menlai performa model. Hasil penelitian menunjukkan bahwa metode ensemble learning soft voting classifier mampu meningkatkan performa klasifikasi dengan menghasilkan akurasi sebesar 81% dibandingkan metode tunggal dengan menggunakan metode standard scaler dengan rasio pembagian data 80:20. Dengan demikian, metode ini diharapkan dapat menjadi solusi yang efektif dalam membantu proses klasifikasi status gizi anak secara lebih tepat dan akurat.