Perbandingan Metode Supervised Machine Learning untuk Prediksi Prevalensi Stunting di Provisi Jawa Timur

Penulis

M Syauqi Haris, Ahsanun Naseh Khudori, Wahyu Teja Kusuma

Abstrak

Stunting atau kasus balita kerdil/pendek adalah salah satu masalah di bidang kesehatan yang saat ini sedang dihadapi oleh masyarakat Indonesia. Provinsi Jawa Timur memiliki nilai prevalensi stunting sebesar 26,8% berdasarkan integrasi data Kementerian Kesehatan dan Badan Pusat Statistik. Nilai tersebut masih tergolong tinggi karena standar minimal yang ditetapkan oleh World Health Organization (WHO) adalah sebesar 20%. Oleh karena itu, penelitian ini bertujuan untuk memberikan kontribusi dalam penyelesaian permasalahan stunting di Provinsi Jawa Timur dengan cara menganalisis faktor-faktor yang diprediksi bisa memengaruhi tingkat prevalensi stunting berdasarkan data sekunder hasil survei dari beberapa lembaga resmi dan terpercaya di bidang kesehatan yang telah dipublikasikan. Supervised machine learning merupakan pendekatan dalam pembuatan kecerdasan buatan (artificial intelligence) yang menggunakan data-data berlabel sebagai data latihnya. Pendekatan ini dirasa sangat sesuai digunakan dalam prediksi nilai prevalensi stunting pada suatu wilayah berdasarkan data-data lain yang relevan.  Penelitian-penelitian sebelumnya tentang prediksi prevalensi stunting rata-rata hanya menggunakan salah satu metode supervised machine learning saja dan data sekunder yang digunakan hanya bersumber dari salah satu sumber survei saja. Hasil penelitian menunjukkan bahwa faktor-faktor penyebab yang memiliki korelasi tinggi terhadap nilai prevalensi stunting bukan hanya Berat Badan Lahir Rendah (BBLR) saja, namun juga Indeks Pembangunan Manusia, sanitasi, dan Indeks Penduduk Miskin. Selain itu, beberapa metode dalam supervised machine learning juga dibandingkan yaitu, linier regression, support vector regression, dan random forest regression.Metode support vector regression dalam penelitian ini memiliki nilai galat yang lebih rendah yaitu 0,91 untuk MAE dan 1,30 untuk MSE.


Abstract

Stunting or the case of stunted/short toddlers is one of the problems in the health sector that is currently being faced by the people of Indonesia. East Java Province has a stunting prevalence value of 26.8% based on data integration from the Ministry of Health and the Central Statistics Agency. This value is still relatively high because the minimum standard set by the World Health Organization (WHO) is 20%. Therefore, this study aims to contribute to solving the stunting problem in East Java Province by analyzing the factors that are predicted to affect the stunting prevalence rate based on published secondary data from surveys from several official and trusted institutions in the health sector. Supervised machine learning is an approach in making artificial intelligence that uses labeled data as training data. This approach is considered very suitable to be used in predicting the value of stunting prevalence in an area based on other relevant data. Previous studies on predicting the prevalence of stunting on average only used one supervised machine learning method and the secondary data used was only sourced from one survey source. The results showed that the causative factors that have a high correlation to the prevalence of stunting are not only low birth weight (BBLR), but also the Human Development Index, sanitation, and the Poor Population Index. In addition, several methods in supervised machine learning are also compared, namely, linear regression, support vector regression, and random forest regression. The support vector regression method in this study has a lower error value, namely 0.91 for MAE and 1.30 for MSE.


Teks Lengkap:

PDF

Referensi


CHOLID, F., TRISHNANTI, D., & AZIES, H. AL. 2019. Pemetaan Faktor-Faktor yang Mempengaruhi Stunting pada Balita dengan Geographically Weighted Regression (GWR) Mapping of The Factors Affecting Stunting on Toddlers with Geographically Weighted Regression (GWR). SEMNAkes 2019 “Improving the Quality of Health Tharough Advances in Research of Health Sciences,” March 2020, 156–165. https://doi.org/10.17605/OSF.IO/9MZU7

GALASSO, E., & WAGSTAFF, A. 2019. The Aggregate Income Losses from Childhood Stunting and The Returns to A Nutrition Intervention Aimed at Reducing Stunting. Economics and Human Biology, 34(August), 225–238. https://doi.org/10.1016/j.ehb.2019.01.010

HIDAYAT, R. 2013. Sistem Prediksi Status Gizi Balita Dengan Menggunakan Support Vector Regression. Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor.

INDARWATI, T., IRAWATI, T., & RIMAWATI, E. 2019. Penggunaan Metode Linear Regression untuk Prediksi Penjualan Smartphone. Jurnal Teknologi Informasi Dan Komunikasi (TIKomSiN), 6(2). https://doi.org/10.30646/tikomsin.v6i2.369

KEMENKES RI. 2018. Buletin Stunting. Kementerian Kesehatan RI, 301(5), 1163–1178.

KEMENKES RI, & BPS. 2019. Laporan Pelaksanaan Integrasi Susenas Maret 2019 dan SSGBI Tahun 2019. In Badan Pusat Statistik, Jakarta - Indonesia.

KUSUMA, P. D. 2020. Machine Learning Teori, Program, Dan Studi Kasus. Deepublish.

LABOLO, A. Y., MOODUTO, S., BODE, A., & DRAJANA, I. C. R. 2022. Penerapan Algoritma Spport Vector Machine dan K-Nearest Neighbor Menggunkan Feature Selection Backward Elimination untuk Prediksi Status Penderita Stunting pada Balita. Jurnal Tecnoscienza, 6(2), 374–388.

https://doi.org/10.51158/tecnoscienza.v6i2.713

PERDANA, A. Y., LATUCONSINA, R., & DINIMAHARAWATI, A. 2021. Prediksi Stunting Pada Balita Dengan Algoritma Random Forest. ISSN : 2355-9365 e-Proceeding of Engineering : Vol.8, No.5 Oktober 2021, 8(5), 6650–6656.

PURNAMA, J. J., NAWAWI, H. M., ROSYIDA, S., RIDWANSYAH, & RISANDAR. 2020. Klasifikasi Mahasiswa Her Berbasis Algortima Svm Dan Decision Classification of Her Students Based on SVM Algorithm and. Jurnal Teknologi Informasi dan Ilmu Komputer, 7(6), 1253–1260. https://doi.org/10.25126/jtiik.202073080

RAMADHAN, A., SUSETYO, B., & INDAHWATI. 2019. Penerapan Metode Klasifikasi Random Forest dalam Mengidentifikasi Faktor Penting Penilaian Mutu Pendidikan. Jurnal Pendidikan dan Kebudayaan, 4(2), 169–182. https://doi.org/10.24832/jpnk.v4i2.1327

RETNONINGSIH, E., & PRAMUDITA, R. 2020. Mengenal Machine Learning dengan Teknik Supervised dan Unsupervised Learning Menggunakan Python. BINA INSANI ICT JOURNAL, 7(2), 156. https://doi.org/10.51211/biict.v7i2.1422

SUBDIREKTORAT ANALISIS STATISTIK, BPS. 2019. Indeks Pembangunan Manusia (IPM) 2019. Berita Resmi Statistik, 9, 1–8. https://www.bps.go.id/pressrelease/2020/02/17/1670/indeks-pembangunan-manusia--ipm--indonesia-pada-tahun-2019-mencapai-71-92.html

SUBDIREKTORAT STATISTIK KESEHATAN DAN PERUMAHAN, BPS. 2019. Statistik Perumahan dan Pemukiman 2019.

https://www.bps.go.id/publication/2020/08/31/6a9e70d6154fde75499239e6/statistik-perumahan-dan-permukiman-2019.html

SUBDIREKTORAT STATISTIK RUMAH TANGGA, BPS. 2019. Statistik Kesejahteraan Rakyat 2019. https://www.bps.go.id/publication/2019/11/22/1dfd4ad6cb598cd011b500f7/statistik-kesejahteraan-rakyat-2019.html




DOI: http://dx.doi.org/10.25126/jtiik.2022976744