Analisis Perbandingan Kinerja Model Machine Learning untuk Memprediksi Risiko Stunting pada Pertumbuhan Anak

Analysis of Performance Comparison of Machine Learning Models for Predicting Stunting Risk in Children's Growth

Authors

  • Nur Fitriyani Sahamony Universitas Binawan
  • Terttiaavini Terttiaavini Universitas Indo Global Mandiri
  • Harsih Rianto Universitas Bina Sarana Informatika

Keywords:

KNIME, Machine Learning, Naïve Bayes, Stunting, Prediction Model

Abstract

Stunting menjadi masalah serius dalam pertumbuhan anak di Indonesia, mendorong penelitian ini untuk mengembangkan model prediksi menggunakan Machine Learning. Tujuan penelitian adalah membandingkan performa dari lima algoritma yaitu Random Forest, Logistic Regression, Naïve Bayes, SVM dan  Neural Networks untuk memprediksi stunting anak. Data stunting anak tahun 2023 dari Kota Lubuk Linggau yang digunakan dengan total 400 sampel. Metodologi penelitian melibatkan langkah inisiasi, pengembangan model linier, pembandingan hasil pengujian model, dan analisis prediksi menggunakan platform KNIME. Hasil uji menunjukkan bahwa Naïve Bayes memiliki performa tertinggi dengan akurasi = 98,57%, F1-Score = 0,99, serta recall dan precision yang sangat tinggi. Random Forest juga memberikan hasil baik dengan akurasi = 98,29%, namun Naïve Bayes diidentifikasi sebagai model terbaik. Penelitian ini memberikan kontribusi signifikan dalam upaya untuk pencegahan stunting dengan menggabungkan teknologi Machine Learning dan analisis dataset kesehatan. Dengan mengembangkan model prediksi menggunakan berbagai algoritma machine learning, diharapkan dapat membantu praktisi kesehatan dalam mengidentifikasi risiko stunting secara dini. Model yang optimal dapat digunakan sebagai alat pendukung keputusan untuk memberikan intervensi yang tepat dan efektif.

References

Eko, “149 Juta Anak di Dunia Alami Stunting Sebanyak 6,3 Juta di Indonesia, Wapres Minta Keluarga Prioritaskan Kebutuhan Gizi,” Direktorat Pendidikan Anak Usia Dini, 2023. https://paudpedia.kemdikbud.go.id/berita/149-juta-anak-di-dunia-alami-stunting-sebanyak-63-juta-di-indonesia-wapres-minta-keluarga-prioritaskan-kebutuhan-gizi?do=MTY2NC01YjRhOGZkNA==&ix=MTEtYmJkNjQ3YzA= (accessed Jan. 06, 2024).

U. M. Alam, “Perlu Terobosan dan Intervensi Tepat Sasaran Lintas Sektor untuk Atasi Stunting,” Kemenko PKM.go.id, 2023. https://www.kemenkopmk.go.id/perlu-terobosan-dan-intervensi-tepat-sasaran-lintas-sektor-untuk-atasi-stunting (accessed Jan. 03, 2024).

M. Rosyidah, Y. L. R. Dewi, and I. Qadrijati, “Effects of Stunting on Child Development: A Meta-Analysis,” J. Matern. Child Heal., vol. 6, no. 1, pp. 25–34, 2021, doi: 10.26911/thejmch.2021.06.01.03.

N. F. Sahamony, R. Meliyani, and S. Idaman, “Analisa Resiko dampak Ekonomi pada saat Covid-19,” Media Bina Ilm., vol. 16, no. 19, pp. 64–71, 2021.

M. Wahid and Mujib Rahman, “Rakornas 2023: Pastikan Prevalensi Stunting Turun Menjadi 14% Pada Tahun 2024,” Kementerian Sekretariat Negara RI, 2023. https://stunting.go.id/rakornas-2023-pastikan-prevalensi-stunting-turun-menjadi-14-pada-tahun-2024/ (accessed Jan. 07, 2024).

M. S. Haris, A. N. Khudori, and W. T. Kusuma, “Perbandingan Metode Supervised Machine Learning untuk Prediksi Prevalensi Stunting di Provisi Jawa Timur,” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 7, p. 1571, 2022, doi: 10.25126/jtiik.2022976744.

I. P. Putri, T. Terttiaavini, and N. Arminarahmah, “Comparative Analysis of Machine Learning Algorithms for Predicting Child Stunting,” MALCOM Indones. J. Mach. Learn. Comput. Sci. J., vol. 4, no. January, pp. 257–265, 2024.

M. Amirudin and A. D. Wowor, “Analisis Perbandingan Klasifikasi Balita Beresiko Stunting Menggunakan Metode Support Vector Machine dan Decission Tree,” in Conference on Electrical Engineering, Informatics, Industrial Technology, and Creative Media 2023, 2023, pp. 1–11.

C. Scheffler and M. Hermanussen, “Stunting is the natural condition of human height,” Am. J. Hum. Biol., vol. 34, no. 5, pp. 1–13, 2022, doi: 10.1002/ajhb.23693.

M. S. Islam, A. N. Zafar Ullah, S. Mainali, M. A. Imam, and M. I. Hasan, “Determinants of stunting during the first 1,000 days of life in Bangladesh: A review,” Food Sci. Nutr., vol. 8, no. 9, pp. 4685–4695, 2020, doi: 10.1002/fsn3.1795.

R. Mburu, “Comparison of Elastic Net and Random Forest in identifying risk factors of stunting in children under rve years of age in Kenya,” 2020.

I. M. Apriliani, N. P. Purba, L. P. Dewanti, H. Herawati, and I. Faizal, “Stunting Risk Factors in Children Under Five in Indonesia: A Scoping Review,” Indones. J. Heal. Promot., vol. 5, no. 6, pp. 654–661, 2022.

F. H. Bitew, C. S. Sparks, and S. H. Nyarko, “Machine learning algorithms for predicting undernutrition among under-five children in Ethiopia,” Public Health Nutr., vol. 25, no. 2, pp. 269–280, 2022, doi: 10.1017/S1368980021004262.

Mambang, F. D. Marleny, and M. Zulfadhilah, “Prediction of linear model on stunting prevalence with machine learning approach,” Bull. Electr. Eng. Informatics, vol. 12, no. 1, pp. 483–492, 2023, doi: 10.11591/eei.v12i1.4028.

A. Nugroho, H. L. H. S. Warnars, F. L. Gaol, and T. Matsuo, “Trend of Stunting Weight for Infants and Toddlers Using Decision Tree,” IAENG Int. J. Appl. Math., vol. 52, no. 1, 2022.

E. R. Arumi, Sumarno Adi Subrata, and Anisa Rahmawati, “Implementation of Naïve bayes Method for Predictor Prevalence Level for Malnutrition Toddlers in Magelang City,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 2, pp. 201–207, 2023, doi: 10.29207/resti.v7i2.4438.

Terttiaavini, T. S. Saputra, and A. Fitriani, “Classification of the final project utilized a modified naïve bayes algorithm,” Int. J. Adv. Trends Comput. Sci. Eng., vol. 9, no. 5, 2020, doi: 10.30534/ijatcse/2020/48952020.

A. W. M. Gaffar, Sugiarti, Dewi Widyawati, Andi Muhammad Kemai Arief Hidayat Paharuddin, and Andi Vania Anastasia, “Spatial Prediction of Stunting Incidents Prevalence Using Support Vector Regression Method,” Indones. J. Data Sci., vol. 4, no. 2, pp. 70–76, 2023, doi: 10.56705/ijodas.v4i2.68.

M. M. Khudri, K. K. Rhee, M. S. Hasan, and K. Z. Ahsan, Predicting nutritional status for women of childbearing age from their economic, health, and demographic features: A supervised machine learning approach, vol. 18, no. 5 May. 2023. doi: 10.1371/journal.pone.0277738.

A. R. Lakshminarayanan, B. Pavani, V Rajeswari, S. Parthasarathy, A. A. Azeez Khan, and K. Javubar Sathick, “Malnutrition Detection using Convolutional Neural Network,” Proc. 2021 IEEE 7th Int. Conf. Bio Signals, Images Instrumentation, ICBSII 2021, no. March, 2021, doi: 10.1109/ICBSII51839.2021.9445188.

A. Heryati, Erduandi, and Terttiaavini, “Penerapan Jaringan Saraf Tiruan Untuk Memprediksi Pencapaian Prestasi Mahasiswa,” in Konferensi Nasional Sistem Informasi 2018 STMIK Atma Luhur Pangkalpinang, 8 – 9 Maret 2018, 2018, pp. 8–9.

S. Sutarmi, W. Warijan, T. Indrayana, D. P. P. B, and I. Gunawan, “Machine Learning Model For Stunting Prediction,” J. Heal. Sains, vol. 4, no. 9, pp. 10–23, 2023, doi: 10.46799/jhs.v4i9.1073.

A. Talukder and B. Ahammed, “Machine learning algorithms for predicting malnutrition among under-five children in Bangladesh,” Nutrition, vol. 78, 2020, doi: 10.1016/j.nut.2020.110861.

F. K. Alam, Y. Widyaningsih, and S. Nurrohmah, “Geographically weighted logistic regression modeling on stunting cases in Indonesia,” J. Phys. Conf. Ser., vol. 1722, no. 1, 2021, doi: 10.1088/1742-6596/1722/1/012085.

H. Rianto and R. S. Wahono, “Resampling Logistic Regression untuk Penanganan Ketidakseimbangan Class pada Prediksi Cacat Software,” J. Softw. Eng., vol. 1, no. 1, pp. 46–53, 2015.

P. Wahyu, S. Aji, R. Dijaya, F. Sains, and U. Muhammadiyah, “Prediksi Penyakit Stroke Menggunakan Metode Random Forest,” KESATRIA J. Penerapan Sist. Inf. (Komputer Manajemen), vol. 4, no. 4, pp. 916–924, 2023.

P. P. Jantung, F. Handayani, K. S. Kusuma, H. L. Asbudi, R. G. Purnasiwi, and R. Kusuma, “Komparasi Support Vector Machine , Logistic Regression Dan Artificial Neural Network dalam,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 7, no. 3, pp. 329–334, 2021.

U. Erdiansyah, A. I. Lubis, and K. Erwansyah, “Komparasi Metode K-Nearest Neighbor dan Random Forest Dalam Prediksi Akurasi Klasifikasi Pengobatan Penyakit Kutil,” vol. 6, pp. 208–214, 2022, doi: 10.30865/mib.v6i1.3373.

P. Butarbutar et al., “Implementasi Jaringan Syaraf Tiruan Menggunakan Metode Elman Recurrent Neural Network Untuk Prediksi Penyakit Jantung Koroner,” Coding J. Komput. dan Apl., vol. 10, no. 01, pp. 103–113, 2022.

A. Primajaya et al., “Random Forest Algorithm for Prediction of Precipitation,” Indones. J. Artif. Intell. Data Min., vol. 1, no. 1, pp. 27–31, 2018.

B. Sivasakthi and D. Selvanayagi, “A comparison of machine learning algorithms for osteoporosis prediction,” 2022 1st Int. Conf. Electr. Electron. Inf. Commun. Technol. ICEEICT 2022, vol. 7, pp. 432–439, 2022, doi: 10.1109/ICEEICT53079.2022.9768568.

I. W. Prastika et al., “Deteksi penyakit kulit wajah menggunakan tensorflow dengan metode convolutional neural network,” vol. 4, no. 2, pp. 84–91, 2021.

C. W. Cahyana and A. Nurlayli, “Analisis Performa Logistic Regression, Naïve Bayes, Dan Random Forest Sebagai Algoritma Pendeteksi Kanker Payudara,” Inser. Inf. Syst. Emerg. Technol., vol. 4, no. 1, pp. 51–64, 2023.

C. Journal, I. Mubarog, A. Setyanto, H. Sismoro, and U. A. Yoyakarta, “Sistem Klasifikasi pada Penyakit Breast Cancer dengan Menggunakan Metode Naïve Bayes,” Citec J., vol. 6, no. 2, pp. 109–118, 2019.

D. Febriansyah, “298 Anak di Kota Lubuklinggau Terdeteksi Stunting,” SINDOnews.com, 2023. https://daerah.sindonews.com/read/1130961/720/298-anak-di-kota-lubuklinggau-terdeteksi-stunting-1687151172 (accessed Jan. 10, 2024).

Downloads

Published

2024-02-05