Sistem Prediksi Risiko Stunting Dengan Metode Support Vector Machine (SVM) Pada Anak Di Indonesia

Romadhani, Gita Krismurti (2021) Sistem Prediksi Risiko Stunting Dengan Metode Support Vector Machine (SVM) Pada Anak Di Indonesia. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 05211740000016_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (2MB) | Request a copy

Abstract

Stunting merupakan kondisi tubuh lebih pendek atau perawakan pendek dari orang normal yang terjadi pada anak usia di bawah 5 tahun (balita). Kondisi tinggi tubuh balita penderita stunting lebih dari dua standar deviasi di bawah median Standar Pertumbuhan Anak World Health Organization (WHO). Stunting berakibat jangka panjang terhadap penurunan perkembangan kognitif dan fisik, penurunan kapasitas produktif dan kesehatan yang buruk, serta resiko penyakit degeneratif seperti diabetes. Adapun faktor lain penyebab stunting adalah berat badan lahir rendah, kelahiran prematur, orang tua bertubuh pendek, pendapatan orang tua rendah, infeksi, dan pemberian ASI. Prevalensi stunting balita Indonesia pada 2015 sebesar 36,4%, hal tersebut menjadikan Indonesia sebagai peringkat tertinggi kedua prevalensi stunting di ASEAN. Menurut Perserikatan Bangsa-Bangsa (PBB), krisis sosial dan ekonomi yang disebabkan pendemi covid19 berpotensi menyebabkan hampir tujuh juta anak mengalami stunting.
Dalam Tugas Akhir ini, prediksi risiko stunting pada anak dibangun dan diimplementasikan menggunakan metode Support Vector Machine (SVM). Data yang digunakan sebagai variabel dalam membangun model prediksi diambil dari data IFLS 4 tahun 2007 dan IFLS 5 tahun 2014. Label stunting
dibuat dengan mengacu pada Standar Antropometri Anak Kementrian Kesehatan Republik Indonesia dan Riskesdas 2018 yang dihitung menggunakan data tinggi anak, usia anak dan jenis kelamin anak, sedangkan variabel dependent yang digunakan meliputi data jenis kelamin, umur, tinggi badan anak, tinggi badan ibu, usia ibu saat melahirkan, berat badan lahir, tingkat pendidikan ibu, dan jumlah anak. Variabel-variabel tersebut terlebih dahulu akan dilakukan analisis faktor dengan menggunakan 4 metode diantaranya Anova, Kruskal-Wallis, T-test, dan Mann_Whitney. Pada Tugas Akhir ini, metode SVM digunakan untuk memisahkan kasus yang termasuk dalam kelas stunting dan tidak stunting kemudian dilanjutkan untuk membuat model prediksi risiko stunting pada anak dengan mencoba 3 skenario. Parameter dari skenario dengan hasil akurasi tertinggi akan dipilih sebagai model prediksi yang akan digunakan untuk memprediksi risiko stunting pada anak di Indonesia. Pengukuran performa pada metode SVM dalam membangun model prediksi risiko stunting dilakukan dengan evaluasi kinerja model menggunakan confusion matrix.
Variabel yang berhubungan secara signifikan dengan perubahan status stunting dari hasil analisis faktor diantaranya adalah tinggi balita, berat balita, tinggi ibu, berat anak saat lahir, jumlah anak dalam satu keluarga, usia balita, konsumsi tablet Fe, pendidikan ibu, tempat tinggal dan sanitasi. Model prediksi yang dihasilkan pada Tugas Akhir ini memiliki akurasi yang cukup baik sebesar 89%. Hasil akurasi tersebut merupakan hasil dari percobaan 3 skenario yang dilakukan pada penelitian ini dengan masing-masing hasil akurasi dari ke-3 skenario tersebut berturut-turut adalah 82%, 79%, dan 89%. Adapun parameter yang mampu menghasilkan model terbaik tersebut diantaranya menggunakan nilai gamma 1, cost 10, kernel Radian Basis Function (RBF), dan proporsi pembagian data latih sebesar 80% dan data uji sebesar 20%. Parameter tersebut didapatkan dengan melakukan pencarian best parameter menggunakan metode GridSearch().
=================================================================================================
Stunting is a condition of shorter body or short stature than normal people that occurs in children under 5 years of age (toddlers). The height condition of children under five with stunting is more than two standard deviations below the median of the World Health Organization (WHO) Child Growth Standards. Stunting results in long-term decline in cognitive and physical development, decreased productive capacity and poor health, as well as the risk of degenerative diseases such as diabetes. Other factors that cause stunting are low birth weight, premature birth, short parents, low parental income, infection, and breastfeeding. The stunting prevalence of children under five in Indonesia in 2015 was 36.4%, this made Indonesia the second highest stunting prevalence in ASEAN. According to the United Nations (UN), the social and economic crisis caused by the COVID-19 pandemic has the potential to put nearly seven million children at risk of stunting.
In this final project, prediction of stunting risk in children is built and implemented using the Support Vector Machine (SVM) method. The data used as variables in building the prediction model were taken from IFLS 4 in 2007 and IFLS 5 in 2014. The stunting label was made with reference to the Child Anthropometry Standards of the Ministry of Health of the Republic of Indonesia and Riskesdas 2018 which was calculated using data on the child's height, age and gender, while the dependent variables are data on sex, age, child's height, mother's height, mother's age at birth, birth weight, mother's education level, and number of children. These variables will first be analyzed using 4 methods, including Anova, Kruskal-Wallis, T-test, and Mann_Whitney. In this Final Project, the SVM method is used to separate cases that are included in the stunting and non-stunting class and then proceed to make a prediction model for stunting risk in children by trying 3 scenarios. The parameters of the scenario with the highest accuracy results will be selected as a predictive model that will be used to predict the risk of stunting in children in Indonesia. Performance measurement on the SVM method in building a stunting risk prediction model is carried out by evaluating the model's performance using a confusion matrix.
Variables that were significantly related to changes in stunting status from the results of factor analysis included toddler height, toddler weight, mother's height, child's weight at birth, number of children in one family, age of toddler, consumption of Fe tablets, mother's education, place of residence and sanitation. The prediction model produced in this Final Project has a fairly good accuracy of 89%. The accuracy results are the results of the 3 scenario experiments conducted in this study with each of the accuracy results from the 3 scenarios being 82%, 79%, and 89% respectively. The parameters that are able to produce the best model include using a gamma value of 1, cost 10, kernel Radian Basis Function (RBF), and the proportion of training data sharing is 80% and test data is 20%. These parameters are obtained by searching for the best parameters using the GridSearch() method.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	prediksi, faktor stunting, risiko stunting, support vector machine, Indonesian Familiy Life Survey (IFLS), prediction, stunting factor, stunting risk, support vector machine, Indonesian Family Life Survey (IFLS)
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Gita Krismurti Romadhani
Date Deposited:	22 Aug 2021 02:58
Last Modified:	22 Aug 2021 02:58
URI:	http://repository.its.ac.id/id/eprint/88365

Actions (login required)

View Item