<![CDATA[Stunting, sebagai masalah kesehatan masyarakat yang kompleks, terus menjadi perhatian serius di Provinsi Nusa Tenggara Timur (NTT). Untuk mengatasi tantangan ini, pengembangan Sistem Pendukung Keputusan (SPK) yang cerdas dan responsif terhadap aspek spasial menjadi esensial. Dalam konteks ini, kami mengusulkan sebuah sistem inovatif yang mengintegrasikan Deep Learning dengan SPK untuk menangani masalah stunting di NTT. Penelitian ini bertujuan untuk mengembangkan sebuah Sistem Pendukung Keputusan Cerdas Spasial (SPKCS) dengan menggunakan metode Moora dan Vikor yang memberikan pemahaman yang lebih baik tentang faktor-faktor spasial yang berkaitan dengan kejadian stunting di NTT. Dengan mengunakan pendekatan data spasial, termasuk data geografis, demografis, dan lingkungan, untuk menerapkan teknik Deep Learning untuk menganalisis pola spasial yang kompleks. Metodologi penelitian melibatkan pengumpulan data spasial dari berbagai sumber, termasuk data survei kesehatan masyarakat, data geografis, dan data lingkungan. Selanjutnya dengan penerapan MOORA dan VIKOR dan juga menggunakan Deep Learning, dengan CNN, RNN dan LSTM untuk mengolah data dan mengidentifikasi pola spasial yang berkaitan dengan kejadian stunting. Hasil dari penelitian ini menghasillan pemetaan spasial dengan nilai prefelensi stunting di NTT. Dengan nilai rata-rata pada Sensitivitas 84,05%, Spesitivitas 83,12%, Accuracy 83,55%. Stunting, as a complex public health problem, continues to be a serious concern in East Nusa Tenggara (NTT) Province. To address this challenge, the development of an intelligent and spatially responsive Decision Support System (SDM) is essential. In this context, we propose an innovative system that integrates Deep Learning with GIS to address the problem of stunting in NTT. This research aims to develop a Spatially Intelligent Decision Support System (SPKCS) using the Moora and Vikor methods that provides a better understanding of the spatial factors associated with the incidence of stunting in NTT. By using spatial data approaches, including geographic, demographic, and environmental data, to apply Deep Learning techniques to analyze complex spatial patterns. The research methodology involved collecting spatial data from various sources, including public health survey data, geographic data, and environmental data. Furthermore, the application of MOORA and VIKOR and also using Deep Learning, with CNN, RNN and LSTM to process the data and identify spatial patterns related to the incidence of stunting. The results of this study resulted in spatial mapping with stunting prevalence values in NTT. With an average value on Sensitivity 84.05%, Specitivity 83.12%, Accuracy 83.55%. ]]>
Copyrights © 2024
