Analisis Faktor Risiko Stunting pada Balita di Ponorogo Menggunakan Random Forest dan Eksplorasi Data

Muhammad Verdyansyah; Anggil Trihinardi; M.Ilham Febriyano; Ratu Annisa Febriyanti; Kholil Urrohman; Ordalius Mendrofa

doi:10.31004/riggs.v4i2.1130

Authors

Muhammad Verdyansyah Universitas Bina Sarana Informatika
Anggil Trihinardi Universitas Bina Sarana Informatika
M.Ilham Febriyano Universitas Bina Sarana Informatika
Ratu Annisa Febriyanti Universitas Bina Sarana Informatika
Kholil Urrohman Universitas Bina Sarana Informatika
Ordalius Mendrofa Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31004/riggs.v4i2.1130

Keywords:

Stunting, Random Forest, Eksplorasi Data, Kesehatan Masyarakat, Prediksi Risiko, Ponorogo

Abstract

Penelitian ini dilakukan guna mengenali dan menganalisis faktor risiko utama yang berperan penting terhadap stunting pada anak balita di Kabupaten Ponorogo dengan menggunakan algoritma Random Forest serta eksplorasi data. Data yang digunakan didapatkan dari Survei Keluarga Risiko Stunting (KRS) tahun 2021 yang telah melewati tahap pembersihan dan persiapan agar dapat diproses pada machine learning. Metodologi yang diterapkan antara lain, eksplorasi data (EDA), pemilihan fitur, dan pemodelan klasifikasi menggunakan Random Forest. Hasil analisis menunjukkan adanya hubungan yang kuat antara kondisi sanitasi, gizi buruk, dan usia ibu. Model yang dikembangkan ini dapat mencapai tingkat ke-akurasian hingga 85%, AUC 0,91, dan skor F1 0,82, yang dapat disimpulkan memiliki hasil yang lumayan baik dalam memprediksi stunting. Penelitian ini memberikan rekomendasi berbasis data untuk upaya intervensi guna menurunkan angka stunting di daerah yang memiliki risiko tinggi stunting khususnya di ponorogo itu sendiri.

Downloads

Download data is not yet available.

References

WHO. (2020). Global Nutrition Report. https://globalnutritionreport.org

Beal, T., Tumilowicz, A., Sutrisna, A., Izwardy, D., & Neufeld, L. M. (2018). A review of child stunting determinants in Indonesia. Maternal & Child Nutrition, 14(4), e12617. https://doi.org/10.1111/mcn.12617

Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32.

Ahmad, R., et al. (2019). Machine Learning in Health Informatics. Springer.

Haris, M. S., Anshori, M., & Khudori, A. N. (2023). Prediction of Stunting Prevalence in East Java Province With Random Forest Algorithm. Jurnal Teknik Informatika, 4(1), 11–13.

Lonang, S., & Normawati, D. (2022). Klasifikasi Status Stunting Pada Balita Menggunakan KNN Dengan Feature Selection. Jurnal Media Informasi Budidarma, 6(1), 49.

Zhang, Z., et al. (2017). Missing data imputation in clinical datasets: a review. Journal of Medical Artificial Intelligence, 4(1), 1–9. https://doi.org/10.21037/jmai.2017.03.01

Haris, M.S., Anshori, M., & Khudori, A.N. (2023). Prediction of Stunting in East Java Using Random Forest. Jurnal Teknologi Informasi, 4(1), 11–13.

Kusumaningrum, R., et al. (2020). Benchmarking of multi-class algorithms for stunting detection. Applied Sciences, 10(23), 8621.

WHO. (2020). Global Nutrition Report. DOI:10.1891/GNR2020.

Haris, M.S. et al. (2023). Prediction of Stunting in East Java Using Random Forest. Jurnal Teknik Informatika.

Lonang, S. et al. (2023). Comparative Analysis of ML Algorithms for Stunting Detection. Jurnal Media Informasi Budidarma.