Classification of Toddler Nutritional Status Using Support Vector Machine with Hyperparameter Optimization Method

Masa pertumbuhan balita merupakan periode kritis yang menentukan kualitas kesehatan anak di masa mendatang. Pada periode ini, penentuan status gizi yang tepat menjadi fondasi penting dalam mendukung tumbuh kembang anak secara optimal dan mencegah dampak jangka panjang akibat masalah gizi. Penelitian ini mengoptimalkan hyperparameter Support Vector Machine menggunakan Grid Search, Random Search, dan Particle Swarm Optimization (PSO) untuk meningkatkan performa model serta mengidentifikasi metode optimasi terbaik dalam klasifikasi status gizi balita. Dataset yang digunakan merupakan data antropometri balita dengan 4.192 data, memiliki 3 kategori status gizi yaitu normal, gizi kurang, dan gizi buruk. Hasil penelitian menunjukkan bahwa optimasi hyperparameter pada model SVM berhasil meningkatkan performa klasifikasi dan mengatasi keterbatasan yang ditemukan pada SVM dengan parameter default yang menghasilkan akurasi 93,99%. Setelah dilakukan optimasi, SVM dengan Grid Search memperoleh akurasi tertinggi sebesar 97,35%, diikuti Random Search dan PSO yang keduanya mencapai 96,84%, di mana Random Search terbukti lebih efisien dari segi waktu komputasi dibandingkan PSO.