Perpustakaan Digital ITB
ABSTRAK
ARTIFICIAL INTELLIGENCE UNTUK PREDIKSI RISIKO
STUNTING ANAK
Oleh
Aisya Nur Kamila
NIM: 18318037
(Program Studi Sarjana Teknik Biomedis)
Stunting menjadi permasalahan gizi yang serius di Indonesia. Berdasarkan Survei
Status Gizi Balita Indonesia, pada tahun 2019 angka prevalensi stunting di
Indonesia mencapai 27,67% dengan Provinsi Nusa Tenggara Timur memiliki
prevalensi tertinggi sebesar 43,8% dan Provinsi Bali memiliki prevalensi terendah
sebesar 14,4%. Menurut WHO (2018), angka tersebut termasuk klasifikasi
prevalensi stunting tinggi yaitu berada pada rentang 20-30%. Dalam jangka
panjang, stunting dapat mempengaruhi produktivitas nasional. Karena setelah
terjadi, efek stunting umumnya bersifat permanen, diperlukan tidak hanya
identifikasi dari stunting, namun juga prediksi kemungkinan stunting sebelum
terjadi, sehingga dapat dilaksanakan langkah pencegahan yang optimal. Saat ini
identifikasi mayoritas hanya deteksi bukan prediksi. Padahal dengan prediksi dini,
program pencegahan stunting dioptimalkan. Untuk itu pada penelitian ini akan
dirancang sistem prediksi dengan memanfaatkan machine learning.
Digunakan data dari Klinik Rumah Bersalin Cuma Cuma (RBC) Bandung yang
merupakan keluarga dengan latar belakang sosioekonomi menengah ke bawah.
Diambil dua dataset yang dijadikan satu yaitu data poli imunisasi dan data
sosioekonomi. Data tersebut dipreparasi dan diekplorasi terlebih dahulu. Setelah
itu, dataset dibagi secara acak ke dataset pelatihan dan dataset pengujian. Dataset
pelatihan dilatih dengan model-model klasifikasi yang memanfaatkan library
Scikit-Learn yang sudah tersedia.
Akurasi terbaik bernilai 89,77% yaitu dengan algoritma Random Forest
berparameter default yang dilatih dengan dataset hasil oversampling SMOTE.
Fitur yang paling signifikan dalam prediksi risiko stunting adalah jarak bulan,
berat badan, dan panjang badan. Fitur-fitur sosioekonomi tidak terlalu signifikan
tapi tetap memiliki pengaruh. Model dengan akurasi terbaik diekstrak ke aplikasi
web yang dirancang dengan Flask dan server Heroku agar tenaga kesehatan dapat
menggunakan sistem prediksi risiko stunting yang telah dirancang.
Kata kunci: stunting, prediksi, machine learning, data anak, data sosioekonomi.