<![CDATA[Stunting sebagai dampak dari kekurangan gizi kronis, memiliki dampak yang signifikan terhadap kesehatan dan perkembangan anak di Indonesia. Penelitian ini mengembangkan model deteksi dini stunting pada anak dengan memanfaatkan indikator antropometri menggunakan pendekatan Machine Learning. Berbeda dengan metode tradisional yang bergantung pada penilaian manual atau pemeriksaan klinis yang memakan waktu, pendekatan ini menawarkan keunggulan berupa deteksi yang lebih cepat dan akurat. Data antropometri, seperti tinggi badan, berat badan, usia, dan jenis kelamin, digunakan dalam algoritma Machine Learning: Random Forest, K-Nearest Neighbors (KNN), Naive Bayes, dan Support Vector Machine (SVM). Setiap model dievaluasi berdasarkan akurasi, confusion matrix, dan ROC Analysis untuk menentukan performa terbaik. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi tertinggi sebesar 92,70%, lebih unggul dibandingkan dengan KNN yang memiliki akurasi 91,40%. Algoritma Random Forest dipilih sebagai model terbaik untuk deteksi dini stunting karena kemampuannya yang tinggi dalam meminimalkan kesalahan prediksi. Penerapan model ini diharapkan dapat meningkatkan efektivitas skrining cepat stunting di lapangan, memungkinkan deteksi lebih awal bagi anak-anak berisiko tinggi, dan mendukung intervensi yang lebih tepat sasaran dalam program kesehatan masyarakat.]]>
Copyrights © 2024
