Perpustakaan Digital ITB

Stunting merupakan gangguan pertumbuhan kronis pada balita yang ditandai oleh nilai Height-for-Age Z-score (HAZ) di bawah ?2 SD menurut WHO, dengan prevalensi di Indonesia mencapai 21,5% pada 2023. Stunting bersifat multifaktorial, namun sebagian besar penelitian prediksi masih berbasis data crosssectional yang belum menangkap dinamika growth faltering sejak periode 1000 Hari Pertama Kehidupan (HPK), sehingga membatasi deteksi dini risiko. Penelitian ini bertujuan mengidentifikasi fitur prediktor utama, mengoptimalkan model Machine Learning terbaik, serta mengimplementasikannya ke dalam sistem berbasis web, menggunakan data kohort longitudinal MAL-ED 0–60 bulan dari delapan negara berkembang. Fitur temporal (mean, std, slope, nilai terakhir) dibentuk dari pengukuran berulang usia 0–24 bulan di delapan domain (antropometri, ASI, imunisasi, diare, ISPA, diet, mikrobiologi, biomarker inflamasi usus), menghasilkan 735 fitur. Beberapa model (Logistic Regression, Random Forest, Gradient Boosting, XGBoost, SVM, k-NN, MLP) dioptimalkan melalui SMOTE, hyperparameter tuning (RandomizedSearchCV, F2-score), crossvalidation, dan optimasi threshold; Random Forest dipilih karena recall tertinggi. Sebagai pelengkap, Random Survival Forest dikembangkan untuk estimasi waktu terjadinya (time-to-event) stunting, dibandingkan dengan Cox Proportional Hazards dan DeepSurv. Pada Skenario 1 (48 fitur, threshold 0,40) yang merepresentasikan ketersediaan data layanan kesehatan primer seperti Posyandu, Random Forest menghasilkan Accuracy 83,3%, Recall 88,7%, Precision 73,3%, F2-score 85,1%, dan ROC-AUC 92,1% (test set 186 anak), sementara Random Survival Forest menghasilkan C-index 0,8444. Kebaruan penelitian terletak pada integrasi eksplisit model klasifikasi dan survival berbasis data longitudinal, dilengkapi interpretasi SHAP pada level individu dan kategori fitur. Seluruh model diimplementasikan pada sistem prototipe berbasis web StuntGuard (FastAPI, React, PostgreSQL), yang menyajikan status prediksi, estimasi usia onset, kurva survival, dan interpretasi faktor risiko, sebagai landasan awal decision support tool untuk skrining dini stunting berbasis data longitudinal.