<![CDATA[Stunting masih menjadi isu kesehatan masyarakat prioritas di Indonesia, sehingga diperlukan dukungan analitik untuk memetakan wilayah prioritas intervensi. Penelitian ini mengembangkan sistem pemetaan risiko stunting berbasis geospasial untuk Kota Tasikmalaya dengan memadukan kerangka CRISP-DM, praktik MLOps, dan model Convolutional Neural Network (CNN) dual-input yang menggabungkan citra raster dan fitur numerik. Data berasal dari 1.824 rekaman periode 2020–2023 dari 27 puskesmas melalui API Open Data, kemudian diproses melalui pembersihan, normalisasi, dan integrasi spasial. Evaluasi pada data uji menunjukkan CNN dual-input mencapai akurasi 92,05%, precision 89,19%, recall 91,03%, F1-score 90,10%, dan spesifisitas 92,73% (TP=132, FP=16, FN=13, TN=204). Untuk menilai keunggulan model secara lebih objektif, dilakukan pembandingan dengan baseline numerik: Logistic Regression (akurasi 87,40%; F1 84,46%), Random Forest (akurasi 89,32%; F1 86,69%), dan XGBoost (akurasi 90,14%; F1 87,76%). Hasil menunjukkan integrasi informasi spasial dan numerik meningkatkan kestabilan deteksi dibanding baseline numerik. Sistem kemudian disajikan dalam peta interaktif berbasis Streamlit untuk mendukung pengambilan keputusan. Namun, studi ini terbatas pada data sekunder dari satu kota dan bergantung pada kualitas pelaporan, sehingga validasi lintas wilayah serta evaluasi spasial-temporal diperlukan sebelum penerapan yang lebih luas..]]>
Copyrights © 2026
