Prediksi Prevalensi Stunting  di Indonesia Menggunakan Metode Gradient-Boosted Decision Tree dan Artificial Neural Network - Dalam bentuk buku karya ilmiah

ADINUGRAHA DHARMAPUTRA

Informasi Umum

Kode

24.04.2209

Klasifikasi

004 - Data processing, Computer science

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science

Dilihat

503 kali

Informasi Lainnya

Abstraksi

Stunting adalah salah satu masalah yang ada di Indonesia. Berdasarkan hasil Survei Status Gizi Indonesia (SSGI), angka prevalensi stunting di Indonesia pada tahun 2022 berada di angka 21,6%. Algoritma pembelajaran mesin artificial neural network (ANN) dan gradient-boosted decision tree merupakan salah satu algoritma learning yang dapat digunakan dalam melakukan prediksi stunting di Indonesia. Namun, efektivitas kedua algoritma tersebut sebagai model prediksi stunting pada anak di Indonesia belum diketahui. Dalam studi ini, dilakukan pengimplementasian dan komparasi efektivitas algoritma ANN dan gradient-boosted decision tree sebagai model regresi prediksi stunting di Indonesia. Pada saat pembentukan model, dilakukan optimasi hyperparameter tuning menggunakan pendekatan tree-structured parzen estimator (TPE). Performa algoritma diukur dengan metrik mean squared error (MSE), mean absolute percentage error (MAPE), dan R-squared. Pada proses komparasi, digunakan model linear regression (LR) sebagai benchmark dari performa model lainnya Hasil hasil yang didapatkan prediksi model gradient-boosted decision merupakan model yang lebih cocok untuk diimplementasikan dalam memprediksi stunting di Indonesia karena prediksi yang dihasilkan lebih sesuai dengan data sebenarnya dan performa prediksi yang dihasilkan lebih konsisten. Untuk model ANN walaupun secara keseluruhan lebih baik dari LR, namun hasil yang didapatkan dari ANN lebih fluktuatif dan terkadang performa yang dihasilkan berada di bawah LR. Dan waktu yang dibutuhkan untuk pelatihan model ANN memakan waktu yang lebih lama dibandingkan gradient-boosted decision tree dan LR. Waktu pelatihan yang dibutuhkan yaitu sekitar 1 menit untuk ANN dengan 1 layer, 1,5 menit untuk ANN dengan 2 layers, 0,1 detik untuk pelatihan gradient-boosted decision tree, dan 0,05 detik untuk pelatihan LR.