Claim Missing Document
Check
Articles

Found 22 Documents
Search

Menemukenali Karakter Konstruksi Hunian Masyarakat Rejang di Desa Gunung Alam, Kabupaten Lebong Ramawangsa, Panji Anom; Prihatiningrum, Atik; Haidi, Akhdan
Jurnal Lingkungan Binaan Indonesia Vol. 9 No. 2 (2020): JLBI
Publisher : Ikatan Peneliti Lingkungan Binaan Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32315/jlbi.v9i2.101

Abstract

Bangunan vernakular yang ada di nusantara merupakan arsitektur yang lahir, tumbuh, dan berakar dari tradisi serta masyarakat etnik. Pada pemukiman di Desa Gunung Alam, Kecamatan Pelabai, Kabupaten Lebong yang dihuni oleh Suku Rejang Asli dan keturunannya. Di Desa Gunung Alam terdapat hunian dengan orientasi bangunan menghadap ke jalan, memiliki bentuk denah yang sederhana berbentuk persegi panjang memanjang ke belakang, tata ruang yang simetri, dan sistem bangunan panggung yang tetap kokoh dan bertahan hingga saat ini walaupun telah mengalami guncangan gempa bumi berkekuatan tinggi serta ancaman banjir. Mengenal dan mendeskripsikan konstruksi hunian masyarakat Rejang dalam konteks mitigasi Rejang akan memperkaya pengetahuan mengenai perwujudan arsitektur lokal yang adaptif dengan alam dan iklim daerah Bengkulu.
Child Stunting Risk Analysis through Machine Learning Models using XGBoost Algorithm Renaningtias, Nurul; Prihatiningrum, Atik; Hardiansyah, Hardiansyah; Setiawan, Yudi; Vatresia, Arie
Jurnal Teknologi Informasi dan Terapan Vol 12 No 2 (2025): December
Publisher : Jurusan Teknologi Informasi Politeknik Negeri Jember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25047/jtit.v12i2.452

Abstract

Stunting is a chronic nutritional disorder that significantly affects child growth, development, and the overall quality of future human resources. According to the 2024 Indonesian Nutritional Status Survey (SSGI), the prevalence of stunting remains high at 19.8%, equivalent to approximately 4.48 million children under five. Early detection of stunting risk is essential for timely and data-driven interventions. This study employed the CRISP-DM methodology, encompassing business understanding, data collection, preparation, modeling, and evaluation phases. The dataset was processed through cleaning, variable encoding, and stunting status classification based on WHO standards. An XGBoost-based predictive model was developed and evaluated using accuracy, precision, recall, and F1-score metrics. The model achieved 98% accuracy in predicting stunting risk. Feature importance analysis revealed that height is the most influential variable determining stunting risk.