Publisher

PNCPNC

Journal InfotekmesinInfotekmesin Abstract

Stunting adalah kondisi jangka panjang yang menggambarkan kekurangan nutrisi yang mempengaruhi pertumbuhan dan perkembangan anak sejak usia dini, terutama pertumbuhan linear. Pemeriksaan status stunting balita di Indonesia khususnya di Puskesmas Karanganyar masih menggunakan perhitungan dalam buku sehingga masih ditemukan adanya kesalahan dalam penggunaan formula yang mengakibatkan ketidaktepatan dalam pengklasifikasian stunting. Upaya meningkatkan hasil penelitian dilakukan dengan menggunakan algoritma Random Forest yang ditingkatkan dengan metode ensemble seperti metode Bagging dan Boosting untuk mengklasifikasi data stunting. Tujuan dilakukannya penelitian ini adalah mengetahui teknik mana yang akan menghasilkan akurasi paling baik dan akurat. Teknik Ensemble Boosting yang dipakai yaitu XGBoost dan Gradient Boosting. Penelitian kali ini menggunakan dataset dari Puskesmas Karanganyar Kota Semarang dengan total 2000 record data. Pada hasil pengujian menghasilkan algoritma akurasi tertinggi yaitu pada algoritma Random Forest Bagging yang memperoleh hasil akurasi sebesar 98,25%. Berdasarkan hasil analisis yang diperoleh, metode Bagging dan Boosting dapat dengan akurat memprediksi data stunting.

Conclusion

Penelitian ini menyimpulkan bahwa klasifikasi stunting menggunakan algoritma Random Forest menghasilkan akurasi 97,61%.Peningkatan akurasi dicapai dengan metode ensemble bagging dan boosting.Kombinasi hyperparameter pada algoritma Random Forest Bagging menghasilkan akurasi tertinggi sebesar 98,25%, menunjukkan efektivitas metode ini dalam mengklasifikasikan status stunting secara akurat.

Future Research

Penelitian lanjutan dapat dilakukan dengan menguji algoritma lain seperti SVM, Adaboost, dan Linear Regression, serta menggabungkannya dengan metode ensemble seperti stacking. Selain itu, eksplorasi lebih lanjut mengenai optimasi hyperparameter pada algoritma yang digunakan dapat meningkatkan akurasi klasifikasi. Penelitian juga dapat difokuskan pada pengembangan sistem klasifikasi stunting yang terintegrasi dengan data dari berbagai sumber, seperti data kesehatan ibu dan anak, data sosial ekonomi keluarga, dan data lingkungan, untuk memberikan prediksi yang lebih komprehensif dan akurat. Pengembangan sistem ini diharapkan dapat membantu tenaga kesehatan dalam mengidentifikasi balita yang berisiko stunting secara dini dan memberikan intervensi yang tepat, sehingga dapat menurunkan prevalensi stunting di Indonesia. Lebih lanjut, penelitian dapat menginvestigasi penggunaan teknik deep learning untuk mengolah data citra antropometri, seperti foto tubuh balita, untuk mengotomatiskan proses pengukuran dan meningkatkan efisiensi klasifikasi stunting.

References

1. Analisis Faktor-Faktor yang Berhubungan dengan Kejadian Stunting di Dinas kesehatan Kabupaten Lahat Tahun... doi.org/10.32524/jksp.v5i2.701Analisis Faktor Faktor yang Berhubungan dengan Kejadian Stunting di Dinas kesehatan Kabupaten Lahat Tahun doi 10 32524 jksp v5i2 701
2. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. analisis optimasi algoritma klasifikasi naive... jurnal.iaii.or.id/index.php/RESTI/article/view/3067Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i analisis optimasi algoritma klasifikasi naive jurnal iaii index php RESTI article view 3067
3. (PDF) Gambaran Prevalensi Balita Stunting dan Faktor yang Berkaitan di Indonesia: Analisis Lanjut Profil... researchgate.net/doi/10.13140/RG.2.2.35448.70401PDF Gambaran Prevalensi Balita Stunting dan Faktor yang Berkaitan di Indonesia Analisis Lanjut Profil researchgate doi 10 13140 RG 2 2 35448 70401

Metadata

File size	322.23 KB
Pages	9
DMCA	Report