Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) JUSTIN (Jurnal Sistem dan Teknologi Informasi)
Shauqie, Shahieza Alfadia
Unknown Affiliation
Computer Science & IT Education

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Pengaruh Fitur Terhadap Tinggi Badan Anak menggunakan SHAP Shauqie, Shahieza Alfadia; Fauzan, Mohamad Nurkamal
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.96734

Abstract

Tinggi badan anak merupakan indikator penting dalam menilai status pertumbuhan dan gizi. Meskipun hubungan antara faktor antropometri dan tinggi badan telah banyak diteliti, pemahaman kuantitatif mengenai kontribusi relatif fitur dalam model prediktif masih perlu dieksplorasi. Penelitian ini bertujuan menganalisis pengaruh fitur terhadap tinggi badan anak menggunakan machine learning berbasis regresi dan interpretasi model SHAP. Analisis dilakukan dengan kerangka CRISP-DM yang mencakup siklus analitik data. Dataset penelitian terdiri dari 100.000 entri anak dengan lima fitur utama: umur, berat badan, stunting, wasting, dan jenis kelamin. Pemodelan dilakukan secara otomatis menggunakan PyCaret dan dievaluasi dalam tiga skenario jumlah fitur: lima, tiga, dan satu, untuk menilai dampaknya terhadap akurasi dan kontribusi fitur. Hasil menunjukkan bahwa fitur umur secara konsisten memiliki pengaruh terbesar dalam semua skenario. Model lima fitur menghasilkan akurasi tertinggi (R ² = 0,9276), sementara model tiga fitur tetap kompetitif (R ² = 0,9233). Temuan ini menunjukkan bahwa fitur antropometri dasar cukup informatif untuk prediksi tinggi badan secara efisien dan interpretatif.
Analisis Model Machine learning dan Imputasi Data untuk Prediksi Tinggi Badan Anak: Systematic Literature Review Shauqie, Shahieza Alfadia; Fauzan, Mohamad Nurkamal
JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol 14, No 2 (2026)
Publisher : Jurusan Informatika Universitas Tanjungpura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/justin.v14i2.94175

Abstract

Stunting dan wasting merupakan dua masalah kesehatan utama yang berdampak pada pertumbuhan fisik dan perkembangan kognitif anak secara global. Tinggi badan anak adalah salah satu indikator penting dalam mendeteksi kondisi tersebut, namun pengukuran dan pemantauan tinggi badan secara manual sering kali menemui hambatan, seperti ketersediaan data yang memadai. Seiring berkembangnya teknologi, penerapan model machine learning menjadi alternatif yang mulai banyak digunakan untuk memprediksi tinggi badan anak secara lebih efektif dan efisien. Penelitian ini bertujuan untuk mengidentifikasi tren penggunaan machine learning, pendekatan prediktif yang digunakan, teknik imputasi data yang relevan, serta variabel-variabel yang sering digunakan. Metode Systematic Literature Review (SLR) digunakan untuk mengumpulkan dan menganalisis literatur terkait, dengan strategi pencarian yang disusun berdasarkan kata kunci spesifik dan penyaringan menggunakan pendekatan PRISMA. Hasil kajian terhadap puluhan artikel ilmiah mengungkapkan bahwa model-model ensemble seperti Random Forest, Gradient Boosting, dan Neural Network menunjukkan performa prediktif yang sangat baik dan konsisten di berbagai konteks studi. Selain itu, teknik imputasi data terbukti efektif dalam memperbaiki kualitas data input yang hilang, sehingga meningkatkan akurasi prediksi. Namun, studi ini juga menemukan bahwa integrasi antara metode prediksi dan teknik imputasi dalam satu penelitian masih sangat terbatas, sehingga menjadi celah yang potensial untuk dikembangkan dalam penelitian selanjutnya. Selain itu, penelitian ini mengidentifikasi adanya variasi signifikan dalam pelaporan metrik evaluasi dan penggunaan pendekatan yang berbeda sesuai karakteristik data dan tujuan analisis. Temuan ini memberikan landasan penting untuk pengembangan model prediktif yang lebih holistik, mampu mengakomodasi kompleksitas data biologis dan antropometrik, serta berpotensi mendukung intervensi gizi anak secara lebih tepat dan efektif di masa depan.
Co-Authors Fauzan, Mohamad Nurkamal