Pemodelan Prediksi Stunting di Jakarta: Studi Komparatif Naive Bayes, Decision Tree, Random Forest, SVM, dan Ensemble Methode

Pane, Ferdinand Marudut Tua (2025) Pemodelan Prediksi Stunting di Jakarta: Studi Komparatif Naive Bayes, Decision Tree, Random Forest, SVM, dan Ensemble Methode. Bachelor thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB I.pdf Download (357kB)
	Text BAB II.pdf Download (430kB)
	Text BAB III.pdf Download (516kB)
	Text BAB IV.pdf Download (726kB)
	Text BAB V.pdf Download (349kB)
	Text LAMPIRAN.pdf Download (545kB)

Abstract

Stunting masih menjadi permasalahan kesehatan masyarakat yang serius di Indonesia, dengan
6,3 juta anak terdampak, termasuk di wilayah Jakarta yang memiliki prevalensi tinggi. Stunting
disebabkan oleh malnutrisi kronis, sanitasi yang buruk, dan keterbatasan akses layanan
kesehatan, yang dapat mengakibatkan gangguan perkembangan kognitif dan fisik dalam jangka
panjang. Meskipun berbagai program intervensi telah dilakukan, tantangan utama dalam
penanggulangan stunting adalah kesulitan dalam mendeteksi anak yang berisiko sejak dini akibat
kompleksitas faktor sosial ekonomi dan lingkungan. Oleh karena itu, diperlukan model prediksi
yang akurat dan andal untuk meningkatkan efektivitas intervensi dini.
Penelitian ini membandingkan beberapa algoritma machine learning, yaitu Naïve Bayes,
Decision Tree, Random Forest, Support Vector Machine (SVM), dan Ensemble Method dalam
mengklasifikasikan risiko stunting pada anak. Dataset yang digunakan mencakup fitur penting
seperti usia, tinggi badan, jenis kelamin, riwayat kesehatan keluarga, pendapatan rumah tangga,
akses layanan kesehatan, dan kondisi sanitasi. Berbagai teknik pra-pemrosesan data, seleksi fitur,
serta penyeimbangan kelas diterapkan untuk meningkatkan performa model.
Hasil evaluasi menunjukkan bahwa Random Forest memiliki akurasi tertinggi sebesar 98%,
diikuti oleh Decision Tree dengan 97%, serta Ensemble Method (Naïve Bayes + Decision Tree)
yang juga mencapai 97%. Namun, Naïve Bayes hanya mencapai akurasi 38%, dan SVM memiliki
akurasi terendah sebesar 37%, menunjukkan bahwa metode ini kurang efektif dalam menangani
dataset yang digunakan. Dengan demikian, penelitian ini memberikan kontribusi dalam
pengembangan model prediksi stunting berbasis machine learning, yang dapat digunakan sebagai
referensi bagi tenaga kesehatan dan pembuat kebijakan dalam upaya pencegahan dan intervensi
dini.

Item Type:	Thesis (Bachelor)
Subjects:	L Education > L Education (General) R Medicine > R Medicine (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika
Depositing User:	Users 30 not found.
Date Deposited:	02 Jul 2025 02:53
Last Modified:	02 Jul 2025 02:53
URI:	https://repository.unas.ac.id/id/eprint/13238

Actions (login required)

View Item