EARLY WARNING STUNTING DENGAN ALGORITMA SUPPORT
VECTOR MACHINE (SVM)
Total View This Week0
Total View This Week0
Institusion
Universitas PGRI Semarang
Author
WIDIANTO, ADAM VIRGIAWAN
Subject
L Education (General)
Datestamp
2024-09-02 03:19:32
Abstract :
Stunting merupakan masalah gizi yang serius, di mana pertumbuhan anak tidak sesuai dengan usianya akibat kekurangan gizi kronis. Berdasarkan data Survei Status Gizi Balita Indonesia (SSGBI), prevalensi stunting di Jawa Tengah mengalami penurunan dari 27,68% pada 2019 menjadi 20,9% pada 2021. Namun, masalah ini masih signifikan, terutama di daerah seperti Desa Tamanrejo, Kecamatan Limbangan, Kabupaten Kendal, yang memiliki kasus stunting yang tinggi. Posyandu rutin yang dilaksanakan di desa ini berfungsi untuk memantau pertumbuhan anak dengan pengukuran berat badan dan tinggi badan, namun pencatatan manual yang dilakukan berisiko terhadap ketidaktepatan data dan memakan waktu lama. Penelitian ini bertujuan untuk mengembangkan sistem Early Warning Stunting berbasis machine learning dengan menggunakan algoritma Support Vector Machine (SVM) untuk meningkatkan efisiensi dan akurasi dalam identifikasi dan penanganan kasus stunting. Metode waterfall diterapkan dalam pembangunan sistem ini, meliputi tahap requirement, design, implementation, verification, dan maintenance. Penelitian ini menggunakan teknik evaluasi seperti black box, white box, dan User Acceptance Testing (UAT) untuk menguji sistem. Hasil penelitian menunjukkan bahwa model SVM mencapai akurasi 96% dalam klasifikasi stunting, dengan nilai precision, recall, dan F1-score rata-rata masing- masing sebesar 96%. Pengujian black box menunjukkan tingkat keberhasilan 100%, sedangkan pengujian white box memperoleh hasil 100% pada path testing. UAT menunjukkan tingkat kepuasan pengguna sebesar 94,4% dengan kategori sangat baik. Temuan ini menegaskan potensi sistem ini sebagai alat efektif untuk deteksi dini kasus stunting dan memberikan dasar untuk intervensi yang lebih cepat dan tepat oleh tenaga medis. Kata Kunci: Stunting, Survei Status Gizi Balita Indonesia (SSGBI), waterfall, Support Vector Machines, Machine Learning
Stunting merupakan masalah gizi yang serius, di mana pertumbuhan anak tidak sesuai dengan usianya akibat kekurangan gizi kronis. Berdasarkan data Survei Status Gizi Balita Indonesia (SSGBI), prevalensi stunting di Jawa Tengah mengalami penurunan dari 27,68% pada 2019 menjadi 20,9% pada 2021. Namun, masalah ini masih signifikan, terutama di daerah seperti Desa Tamanrejo, Kecamatan Limbangan, Kabupaten Kendal, yang memiliki kasus stunting yang tinggi. Posyandu rutin yang dilaksanakan di desa ini berfungsi untuk memantau pertumbuhan anak dengan pengukuran berat badan dan tinggi badan, namun pencatatan manual yang dilakukan berisiko terhadap ketidaktepatan data dan memakan waktu lama. Penelitian ini bertujuan untuk mengembangkan sistem Early Warning Stunting berbasis machine learning dengan menggunakan algoritma Support Vector Machine (SVM) untuk meningkatkan efisiensi dan akurasi dalam identifikasi dan penanganan kasus stunting. Metode waterfall diterapkan dalam pembangunan sistem ini, meliputi tahap requirement, design, implementation, verification, dan maintenance. Penelitian ini menggunakan teknik evaluasi seperti black box, white box, dan User Acceptance Testing (UAT) untuk menguji sistem. Hasil penelitian menunjukkan bahwa model SVM mencapai akurasi 96% dalam klasifikasi stunting, dengan nilai precision, recall, dan F1-score rata-rata masing- masing sebesar 96%. Pengujian black box menunjukkan tingkat keberhasilan 100%, sedangkan pengujian white box memperoleh hasil 100% pada path testing. UAT menunjukkan tingkat kepuasan pengguna sebesar 94,4% dengan kategori sangat baik. Temuan ini menegaskan potensi sistem ini sebagai alat efektif untuk deteksi dini kasus stunting dan memberikan dasar untuk intervensi yang lebih cepat dan tepat oleh tenaga medis. Kata Kunci: Stunting, Survei Status Gizi Balita Indonesia (SSGBI), waterfall, Support Vector Machines, Machine Learning
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
