Analisis Klasifikasi Pembelajaran Mesin untuk Pencegahan Proaktif Stunting Anak di Bojongsoang: Sebuah Studi Komparatif - Dalam bentuk buku karya ilmiah

CAESAR FANNANY

Informasi Umum

Kode

24.04.760

Klasifikasi

001.64 - DATA PROCESSING

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science

Informasi Lainnya

Abstraksi

<p>Stunting merupakan kondisi kesehatan yang membutuhkan perhatian dari pemerintah Indonesia. Menurut Organisasi Kesehatan Dunia (WHO), prevalensi stunting di suatu negara seharusnya berada di bawah 20%, namun di Indonesia, prevalensi stunting mencapai 21,6% pada tahun 2023. Salah satu faktor yang memengaruhi prevalensi stunting adalah asupan makanan yang tidak seimbang. Anak-anak yang mengalami stunting dapat mengalami gangguan pertumbuhan, kecerdasan, dan memiliki risiko yang lebih tinggi terhadap penyakit.Para profesional kesehatan dan peneliti perlu mengambil langkah-langkah pencegahan yang tepat untuk mengurangi kejadian stunting. Dalam upaya untuk mengurangi kejadian stunting, langkah-langkah konkret diperlukan untuk mengidentifikasi dan memprediksi kondisi stunting pada anak-anak menggunakan machine learning. Prediksi yang difasilitasi oleh machine learning dapat dilaksanakan dengan lebih efisien, mengurangi kebutuhan komputasi manual.Studi ini menggunakan tiga metode berbeda untuk menilai kinerja masing-masing metode dalam memprediksi kasus stunting. Metode machine learning yang digunakan dalam analisis ini melibatkan Regresi Logistik, Random Forest, dan Naive Bayes. Ketiga metode ini telah terbukti dalam mengklasifikasikan stunting dalam penelitian lain. Data yang tidak seimbang akan memengaruhi akurasi dan F1-score makro. Oversampling digunakan sebagai metode untuk menghindari bias dalam model.Data yang tidak seimbang menghasilkan akurasi sebesar 99,25% untuk Regresi Logistik dengan F1-score sebesar 46,80%, 99,25% untuk Random Forest dengan F1-score sebesar 41,76%, dan 94,5% untuk Naive Bayes dengan F1-score sebesar 37,42%. Data yang seimbang menghasilkan peningkatan F1-score, yaitu 52,73% untuk Regresi Logistik, 65,44% untuk Random Forest, dan 60,12% untuk Naive Bayes</p>