<![CDATA[Penyimpangan tumbuh kembang balita yang tidak terdeteksi dini berdampak permanen terhadap kualitas hidup anak. Kuesioner Pra Skrining Perkembangan (KPSP) merupakan instrumen standar deteksi dini, namun pelaksanaannya di lapangan masih manual sehingga data skrining tidak dimanfaatkan secara longitudinal, tidak teragregasi antar fasilitas, dan interpretasinya terbatas pada ambang skor tanpa penjelasan. Penelitian ini mengembangkan sistem berbasis web yang mengaugmentasi interpretasi KPSP menggunakan algoritma Random Forest yang dilengkapi penjelasan keputusan melalui metode Shapley Additive exPlanations (SHAP). Model dilatih menggunakan data sintetis berbasis aturan Permenkes 66/2014 sebanyak 4.800 baris dan divalidasi pada 105 data primer skrining kelompok usia enam bulan dari Puskesmas Ciampel. Konfigurasi hyperparameter ditetapkan berdasarkan praktik yang mapan dan diverifikasi melalui grid search dengan validasi silang lima lipatan. Model mencapai akurasi 0,8827 dan F1-macro 0,8580 pada data uji, dengan seluruh kesalahan klasifikasi hanya bergeser satu tingkat ke kelas yang bersebelahan; pada data primer, prediksi model konsisten dengan penilaian tenaga kesehatan. Sistem menyajikan hasil dalam tiga lapisan keluaran, yaitu hasil per-skrining beserta penjelasan SHAP, trajektori longitudinal per anak, dan rekap agregat tingkat fasilitas. Hasil menunjukkan bahwa augmentasi machine learning dapat memperkaya interpretasi KPSP tanpa menggantikan peran instrumen maupun tenaga kesehatan.]]>
Copyrights © 2026
