Prediksi Tren Stunting Menggunakan RandomForest Regression Dan Xgboost Regression Dengan Hyperparameter Tuning

Provinsi Jawa Barat menghadapi tantangan besar dalam menekan angka stunting akibat besarnya populasi balita. Fluktuasi tren kasus secara spasial dan temporal menyulitkan pemerintah dalam mengalokasikan sumber daya secara presisi. Penelitian ini bertujuan memprediksi jumlah balita stunting di 27 kabupaten dan kota menggunakan pemodelan regresi berbasis machine learning. Sistem mengeksekusi komparasi antara algoritma Random Forest dan Extreme Gradient Boosting (XGBoost) menggunakan matriks data panel historis. Kebaruan penelitian ini terletak pada integrasi rekayasa fitur (Lag-1 dan dimensi ekonomi), penerapan Time-Series Cross Validation, serta optimasi hyperparameter melalui RandomizedSearchCV. Hasil komputasi membuktikan bahwa rekayasa fitur sukses mendongkrak performa kedua algoritma. Random Forest terbukti sebagai model paling superior dengan skor R2 sebesar 0,85, mengungguli XGBoost yang hanya mencapai 0,77. Random Forest juga mencatatkan tingkat kesalahan terendah dengan nilai MAE sebesar 1.552 dan RMSE sebesar 2.278. Kesimpulannya, model Random Forest terbukti sangat presisi dalam menangkap kompleksitas tren stunting di Jawa Barat. Arsitektur model final ini kemudian berhasil diintegrasikan ke dalam antarmuka aplikasi berbasis web sebagai instrumen proyeksi interaktif bagi pengguna.

Kata kunci: analitik prediktif, ensemble learning, optimasi hyperparameter, random forest, rekayasa fitur, stunting