Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Metode Imputasi Data dan Deteksi Pencilan Berbasis XGBoost untuk Klasifikasi Stunting

Rektorat UDINUS 2024 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2024
Tujuan
Nomor
c3436208-9a32-4814-b5f9-5f5604e991c0
Terbit
2026-10-30

Universitas Dian Nuswantoro, melalui peneliti Ma'muriyah, Ni'matul; Noersasongko, Edi; Purwanto, Purwanto; Winarno, Sri; dan Ashiddiq, Muhammad Ilham, melaksanakan kajian mengenai imputasi data dan deteksi pencilan untuk klasifikasi stunting. Kegiatan ini membahas pentingnya kualitas dataset dalam klasifikasi. Sumber menjelaskan bahwa dataset Demographic Health Survey umum digunakan dalam penelitian stunting, tetapi dapat memuat data yang hilang dan data pencilan yang berdampak negatif terhadap akurasi klasifikasi.

Kajian tersebut mengusulkan penerapan imputasi dan deteksi pencilan pada tahap pra-pemrosesan data. Enam metode imputasi yang dipertimbangkan adalah Max, Min, Mean, Mode, Median, dan KNN Imputation. Metode-metode tersebut dikombinasikan dengan tiga metode deteksi pencilan, yaitu Boxplot, Z-score, dan Interquartile Range. XGBoost digunakan untuk tugas klasifikasi dan dijelaskan sebagai algoritma pembelajaran mesin yang dikenal tangguh dalam menangani beragam tipe data.

Hasil eksperimen menunjukkan bahwa pra-pemrosesan melalui imputasi dan deteksi pencilan meningkatkan akurasi klasifikasi stunting, dengan tingkat akurasi di atas 95%. Akurasi tertinggi diperoleh menggunakan imputasi median. Kegiatan ini mendokumentasikan pendekatan analitis dan komputasional untuk klasifikasi stunting melalui penyiapan data dan pembelajaran mesin. Bukti tersebut menunjukkan penelitian yang membahas stunting melalui metode yang berfokus pada data hilang, data pencilan, pra-pemrosesan, dan akurasi klasifikasi.

Rujukan https://www.scopus.com/pages/publications/105004416649?origin=resultslist