<![CDATA[Stunting merupakan masalah gizi kronis yang berpotensi meningkat pada periode pascabencana akibat terganggunya akses pangan, layanan kesehatan, sanitasi, serta meningkatnya kerentanan kelompok anak. Dalam kondisi tersebut, diperlukan kemampuan untuk memprediksi risiko stunting secara lebih dini agar intervensi gizi darurat dapat ditetapkan secara tepat sasaran. Penelitian ini mengembangkan Model Explainable Machine Learning pada aplikasi Nutrisiaga untuk memprediksi risiko stunting di wilayah pascabencana dengan pendekatan yang transparan bagi tenaga kesehatan. Model prediksi dibangun menggunakan tiga algoritma, yaitu Random Forest, XGBoost, dan Neural Network, yang dilatih dengan fitur terkait karakteristik anak dan faktor pendukung di lingkungan pascabencana. Untuk mengatasi keterbatasan interpretasi dari model berbasis machine learning, penelitian ini mengintegrasikan Explainable AI (XAI) menggunakan metode SHAP dan LIME sebagai alat interpretabilitas. SHAP digunakan untuk mengukur kontribusi tiap fitur terhadap hasil prediksi, sedangkan LIME digunakan untuk memberikan penjelasan lokal pada contoh data tertentu sehingga pengguna dapat memahami alasan model pada kasus yang spesifik. Hasil pengujian menunjukkan bahwa model dapat memberikan prediksi risiko stunting yang terukur, sementara visualisasi dan skor interpretasi dari SHAP serta LIME membantu pengguna dalam mengidentifikasi faktor dominan yang memengaruhi prediksi. Dengan demikian, penelitian ini berkontribusi pada pengembangan aplikasi nutrisi yang tidak hanya mampu memprediksi risiko stunting, tetapi juga menyediakan penjelasan yang mendukung pengambilan keputusan intervensi gizi darurat secara lebih akuntabel dan dapat dipahami.]]>
Copyrights © 2026
