KLASIFIKASI RISIKO STUNTING PADA BALITA MENGGUNAKAN METODE RANDOM FOREST

ANDRIANA RACHMAN, FAUZAN (2025) KLASIFIKASI RISIKO STUNTING PADA BALITA MENGGUNAKAN METODE RANDOM FOREST. Skripsi thesis, UNIVERSITAS SANGGA BUANA YPKP.

	Text Cover.pdf Available under License Creative Commons Public Domain Dedication. Download (29kB)
	Text Lembar pengesahan.pdf Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text Lembar Pernyataan.pdf Available under License Creative Commons Public Domain Dedication. Download (324kB)
	Text Abstrak.pdf Available under License Creative Commons Public Domain Dedication. Download (28kB)
	Text Bab I.pdf Available under License Creative Commons Public Domain Dedication. Download (40kB)
	Text Skripsi Full.pdf Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text Daftar Pustaka.pdf Available under License Creative Commons Public Domain Dedication. Download (152kB)
	Text Surat Keterangan Hasil Cek Plagiarisme.pdf Available under License Creative Commons Public Domain Dedication. Download (682kB)

Abstract

Stunting adalah masalah kesehatan masyarakat yang kompleks dan multidimensi, ditandai dengan kegagalan pertumbuhan pada anak balita akibat kekurangan gizi kronis, terutama dalam 1.000 hari pertama kehidupan. Menurut data dari Survei Status Gizi Indonesia (SSGI) tahun 2024, prevalensi stunting nasional telah menurun menjadi 19,8%, melampaui target tahun 2024 sebesar 20,1%. Namun, sekitar 1 dari 5 balita di Indonesia masih mengalami stunting, dan tantangan besar masih menghadang untuk mencapai target 18,8% pada tahun 2025 serta 14,2% pada tahun 2029 sesuai dengan RPJMN. Kondisi ini menunjukkan perlunya intervensi yang menyeluruh dan berkelanjutan dari berbagai sektor, seperti kesehatan, pendidikan, sosial, dan teknologi, dengan penekanan pada upaya pencegahan sejak masa pra-kelahiran. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi risiko stunting pada balita menggunakan algoritma Random Forest, yaitu metode ensemble learning yang menggabungkan banyak decision tree untuk meningkatkan akurasi prediksi. Dataset diambil dari Dinas Kesehatan Kota Bandung yang mencakup variabel umur, berat badan, tinggi badan, lingkar lengan atas (LiLA), dan jenis kelamin. Hasil penelitian menunjukkan bahwa model Random Forest mampu memberikan performa klasifikasi yang baik, dengan nilai akurasi mencapai 93%. Model ini diimplementasikan ke dalam aplikasi web interaktif berbasis Streamlit, yang memungkinkan pengguna untuk menginput data dan memperoleh hasil klasifikasi secara real-time. Dengan adanya sistem ini, diharapkan proses pemantauan dan pencegahan stunting dapat dilakukan secara lebih efektif, cepat, dan berbasis data.

Actions (login required)

View Item