Perpustakaan Digital ITB

Antropometri merupakan salah satu indikator penting bagi kesehatan bayi dan anak pada awal masa pertumbuhan spesifik pada usia di bawah 5 tahun. Kondisi stunting adalah istilah untuk keadaan tubuh manusia ketika mengalami pertumbuhan yang terhambat akibat malnutrisi sehingga menyebabkan anak atau bayi tersebut memiliki tinggi badan di bawah standar. Kondisi stunting dideterminasi melalui tinggi badan anak dengan standar deviasi tinggi badan dan umur anak sebesar -2 SD mengakibatkan anak mengalami kesulitan dalam perkembangan kognitif, rentan terhadap penyakit, kecenderungan sosial yang rendah, menimbulkan berbagai morbiditas hingga mortalitas. Berdasarkan Survei Status Gizi Indonesia, prevalensi stunting di Indonesia sendiri pada tahun 2021 masih mencapai 24.4% mengindikasikan angka stunting yang masih tinggi di Indonesia. Hal tersebut menunjukkan bahwa Indonesia perlu melakukan intervensi dan mencegah terjadinya stunting. Stunting pada dasarnya memiliki penyebab dari berbagai faktor anak dan tidak terbatas pada nutrisi dan antropometri anak saja. Dalam hal ini, upaya pencegahan stunting dapat memanfaatkan penggunaan artificial intelligence, khususnya machine learning dengan mengolah data untuk mencari berbagai faktor stunting sekaligus membuat model prediksi kelas risiko berdasarkan faktor tersebut. Pada penelitian ini, dilakukan eksplorasi data Demographic and Health Surveys dari negara India dikarenakan kemiripan dan ketersediaan data Indonesia. Pengolahan data dilakukan untuk menyesuaikan keadaan di Indonesia hingga didapat bahwa fitur paling berpengaruh terhadap pelatihan model prediksi kelas risiko stunting pada anak usia di bawah 5 tahun adalah kesehatan kehamilan, keadaan kesehatan, intelektual, dan antropometri ibu, sosioekonomi keluarga, lingkungan tempat tinggal, dan asupan nutrisi anak. Melalui proses pelatihan model prediksi didapat model berbasis K-Nearest Neighbour merupakan model yang optimal dalam melakukan prediksi kondisi stunting anak. Optimalisasi dilakukan lebih lanjut dengan mengatur hyperparameter dari model tersebut dan didapat tingkat akurasi sebesar 91.183%. Model paling optimal tersebut kemudia diimplementasikan melalui aplikasi berbasis website sederhana menggunakan microframework Flask.