Desain Sistem Identifikasi Status Gizi Balita Untuk Pencegahan Risiko Stunting Menggunakan Metode Random Forest Berdasarkan Data Antropometri
DOI:
https://doi.org/10.63935/akiratech.v3i2.285Keywords:
Stunting, Status gizi, Antopometri, Random ForestAbstract
Stunting masih menjadi masalah kesehatan masyarakat yang serius di Indonesia, dengan prevalensi nasional sebesar 21,6%, yang masih berada di atas ambang batas Organisasi Kesehatan Dunia (WHO) sebesar 20%. Pemantauan status gizi balita secara dini diperlukan untuk mendukung upaya pencegahan stunting dan masalah gizi lainnya. Penelitian ini bertujuan merancang dan mengembangkan sistem deteksi status gizi balita menggunakan metode klasifikasi Random Forest berdasarkan data antropometri yang meliputi berat badan, tinggi badan, dan usia. Penilaian status gizi dilakukan menggunakan indikator antropometri Berat Badan menurut Umur (BB/U), Tinggi Badan menurut Umur (TB/U), dan Berat Badan menurut Tinggi Badan (BB/TB). Metode Random Forest dipilih karena memiliki kemampuan klasifikasi yang baik, tahan terhadap overfitting, serta mampu mengidentifikasi variabel yang berpengaruh dalam proses klasifikasi. Tahapan penelitian meliputi pengumpulan data, pra pemprosesan, pelatihan model, dan evaluasi menggunakan validasi silang k-fold dengan metrik akurasi, presisi, recall, dan F1-score. Sistem yang dikembangkan mampu mengklasifikasikan status gizi balita berdasarkan ketiga indikator antropometri tersebut sehingga dapat membantu petugas kesehatan dalam melakukan deteksi dini dan pemantauan status gizi secara lebih cepat, objektif, dan sistematis.
Downloads
References
[1] K. Astriana et al., “MENGENAL STUNTING LEBIH DEKAT PENERBIT CV. EUREKA MEDIA AKSARA,” 2025.
[2] D. Trias Utomo, I. Dwi Syahudin, and N. P. Rosidania, “Sistem Pendukung Keputusan Pemilihan Jenis Makanan Penderita Stunting Menggunakan Metode Simple Additive Weighting,” Journal homepage: AKIRATECH : Journal of Computer and Electrical Engineering, vol. 1, no. 2, 2024, [Online]. Available: https://journal.ajbnews.com/index.php/akiratech
[3] Kementerian Kesehatan Republik Indonesia, “Hasil Survei Status Gizi Indonesia (SSGI) Tahun 2021 Tingkat Kabupaten/Kota,” Jakarta, 2021. [Online]. Available: https://share.google/DPDMUMQEaRD7sS9Iy
[4] K. K. R. Kesehatan, Badan Kebijakan Pembangunan, “BUKU SAKU Hasil Survei Status Gizi Indonesia (SSGI) 2022,” 2022. [Online]. Available: https://repository.badankebijakan.kemkes.go.id/id/eprint/4855/3/Buku Saku SSGI 2022 rev 270123 OK.pdf
[5] Kementerian Perencanaan Pembangunan Nasional/Badan Perencanaan Pembangunan Nasional, “Rencana PembangunanJangka Menengah Nasional(RPJMN) 2020-2024,” National Mid-Term Development Plan 2020-2024, p. 313, 2020, [Online]. Available: https://www.bappenas.go.id/id/data-dan...dan.../rpjmn-2015-2019/
[6] A. Candra, Moh. Erkamim, M. Muharrom, and E. Prayitno, “Klasifikasi Stunting Pada Balita Berdasarkan Status Gizi Menggunakan Pendekatan Support Vector Machine (SVM),” Jurnal Ilmiah FIFO, vol. 16, no. 2, p. 171, Nov. 2024, doi: 10.22441/fifo.2024.v16i2.007.
[7] M. Ula, A. F. Ulva, M. Mauliza, M. A. Ali, and Y. R. Said, “APPLICATION OF MACHINE LEARNING IN DETERMINING THE CLASSIFICATION OF CHILDREN’S NUTRITION WITH DECISION TREE,” Jurnal Teknik Informatika (Jutif), vol. 3, no. 5, pp. 1457–1465, Sep. 2022, doi: 10.20884/1.jutif.2022.3.5.599.
[8] R. S. Y. Zebua et al., 10 METODE SPK FAVORIT DI MASA DEPAN. CV Hei Publishing Indonesia, 2024. [Online]. Available: https://scholar.google.com/scholar?oi=bibs&cluster=4050159512469865545&btnI=1&hl=en
[9] I. P. Putri, T. Terttiaavini, and N. Arminarahmah, “Analisis Perbandingan Algoritma Machine Learning untuk Prediksi Stunting pada Anak,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, pp. 257–265, Jan. 2024, doi: 10.57152/malcom.v4i1.1078.
[10] R. Ratnasari, A. J. Wahidin, and T. H. Andika, “Deteksi Dini Stunting Pada Anak Berdasarkan Indikator Antropometri dengan Menggunakan Algoritma Machine Learning,” Jurnal Algoritma, vol. 21, no. 2, pp. 378–387, Dec. 2024, doi: 10.33364/algoritma/v.21-2.2122.
[11] S. Thurstans et al., “The relationship between wasting and stunting in young children: A systematic review,” Matern. Child Nutr., vol. 18, no. 1, 2022, doi: 10.1111/mcn.13246.
[12] A. N. Anisah and A. Qoiriah, “Implementasi V-Model dalam Aplikasi Manajemen Proyek Menggunakan Firebase Berbasis PWA,” Journal of Informatics and Computer Science, vol. 07, pp. 148–154, 2025.
[13] T. H. Pinem and Z. P. Putra, “Evaluasi Kinerja Algoritma Klasifikasi Deep Learning dalam Prediksi Diabetes,” Jurnal Ilmiah FIFO, vol. 17, no. 1, p. 17, 2025, doi: 10.22441/fifo.2025.v17i1.003.
[14] H. Nurfauziah and I. Jamaliyah, “Perbandingan Metode Testing Antara Blackbox Dengan Whitebox Pada Sebuah Sistem Informasi,” Jurnal Visualika, vol. 8, no. 2, pp. 105–113, 2022, [Online]. Available: https://jurnas.saintekmu.ac.id/index.php/visualika/article/view/24
[15] A. Prodyanatasari, Y. Purwasih, M. P. Putri, and M. Purnadianti, “the Effect of Training on the Use of Anthropometry To Improve Measurement Accuracy As an Indicator of Early Detection of Stunting,” Jurnal Wiyata: Penelitian Sains dan Kesehatan, vol. 11, no. 1, p. 25, 2024.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Denny Trias Utomo, Ananda Rizky Febriyana (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
