Pengembangan Model Klasifikasi Risiko Stunting Berbasis Data Kesehatan Rutin

Puji Astuti, Nicky (2026) Pengembangan Model Klasifikasi Risiko Stunting Berbasis Data Kesehatan Rutin. Pro-Step Report, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (532kB)
	PDF BAB_I.pdf Download (243kB)
	PDF BAB_II.pdf Download (341kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (374kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (165kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (203kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (876kB)
	PDF LEMBAR_PENGESAHAN.pdf Restricted to Registered users only Download (51kB)

Abstract

Stunting masih menjadi permasalahan gizi serius di Indonesia, namun pemanfaatan data kesehatan rutin di puskesmas dan posyandu belum optimal sebagai dasar pengambilan keputusan. Penelitian ini membangun dan membandingkan lima algoritma machine learning (Random Forest, SVM, Logistic Regression, XGBoost, Decision Tree) untuk mengklasifikasikan risiko stunting balita, yang diintegrasikan ke dalam Machine Learning-Based Health Analytics Framework guna membantu tenaga kesehatan menentukan prioritas intervensi. Penelitian menggunakan data kesehatan rutin Puskesmas Kelapa Dua (2021�2026) dengan prediktor berupa pengukuran antropometri, pemantauan pertumbuhan, dan variabel sosiodemografis, mengikuti metodologi CRISP-DM, disertai penanganan ketidakseimbangan kelas melalui SMOTE dan optimasi hyperparameter menggunakan GridSearchCV. Hasil menunjukkan Random Forest mencapai accuracy tertinggi (72,22%, ROC-AUC 64,44%), sedangkan SVM memperoleh recall dan ROC-AUC tertinggi (95,08% dan 68,60%), menunjukkan kemampuan diskriminasi model tetap terjaga meski pada distribusi kelas tidak seimbang. Hasil klasifikasi diintegrasikan ke dashboard Tableau, Stunting Risk Intelligence Platform (SRIP), yang menampilkan klasifikasi risiko, prioritas penanganan, sebaran wilayah, dan feature importance. Validasi model masih bersifat internal, sehingga generalisasi ke wilayah lain perlu dilakukan dengan hati- hati. Penelitian ini menghasilkan kerangka analitik berbasis machine learning yang membantu tenaga kesehatan menentukan prioritas penanganan stunting secara lebih cepat dan tepat.

Item Type:	Technical Report (Pro-Step Report)
Creators:	Puji Astuti, Nicky (00000106285)
Contributors:	Indah Fianty, Melissa (0313019201)
Keywords:	Health Analytics, Risk Prioritization, Stunting, Machine Learning, Routine Health, Random Forest
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	14 Sep 2026 14:57
URI:	https://kc.umn.ac.id/id/eprint/49437

Actions (login required)

View Item