Sistem Prediksi Status Stunting dan Severe Stunting Menggunakan Multinomial Logistic Regression pada Anak di Indonesia

Aletha, Deanda Bevani (2021) Sistem Prediksi Status Stunting dan Severe Stunting Menggunakan Multinomial Logistic Regression pada Anak di Indonesia. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 05211740000070-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2023. Download (2MB) | Request a copy

Abstract

Stunting merupakan salah satu kondisi kesehatan malnutrisi yang disebabkan oleh kurangnya gizi kronis balita pada 1.000 Hari Pertama Kehidupan (HPK). Stunting dapat menyebabkan seorang anak menjadi lebih pendek dan penurunan kemampuan akademik dari anak-anak lainnya, serta dapat memiliki keterlambatan dalam berpikir. Stunting dapat terjadi di seluruh penjuru dunia, namun negara berkembang dan negara terbelakang memiliki tingkat stunting diatas batas wajar. Di Indonesia sendiri, angka prevalansi stunting pada tahun 2019 mencapai 27,67%. Walaupun angka ini merupakan penurunan 10 persen dari angka prevalansi stunting pada 2017 dengan angka 37%, namun Indonesia termasuk negara yang memiliki masalah kesehatan berdasarkan dari ketetapan WHO yang menyatakan bahwa batasan masalah gizi tidak lebih dari 20%. Stunting jika diabaikan dapat berdampak pada Sumber Daya Manusia (SDM) di Indonesia, dimana dapat berdampak buruk pada saing bangsa, akan meningkatkan kerugian ekonomi, serta berpengaruh pada Produk Domestik Bruto (PDB). Pengkajian dan penelitian telah dilakukan untuk mengetahui dan memahami lebih dalam mengenai penyebab serta dampak dari stunting di Indonesia. Namun, masih sedikit penelitian yang membahas model prediksi status stunting dan severe stunting pada anak-anak Indonesia menggunakan data Indonesian Family Life Survey (IFLS) dengan metode Multinomial Logistic Regression.
Hasil dari tugas akhir ini adalah suatu sistem prediksi yang dapat mendeteksi status stunting pada anak yang dibagi menjadi tiga kategori, yaitu normal, stunting dan severe stunting menggunakan Multinomial Logistic Regression. Tugas akhir ini akan menggunakan data sekunder pada IFLS 4 tahun 2007 dan IFLS 5 tahun 2014. Label stunting dibuat dengan mengacu pada Standar Antropometri Anak oleh Kementerian Kesehatan Indonesia yan dihitung dengan menggunakan tinggi badan anak, jenis kelamin anak, dan usia anak. Variabel independent pada penelitian ini antara lain jenis kelamin, umur, tinggi badan anak, tinggi badan ibu, usia ibu saat melahirkan, berat badan lahir, tingkat pendidikan terakhir ibu, area tempat tinggal dan sanitasi lingkungan Variabel ini akan dianalisa menggunakan metode Kruskal-Wallis untuk variabel kategori dan T-test untuk variabel numerik. Metode Multinomial Logistic Regression yang digunakan pada tugas akhir ini akan dicoba dengan 3 skenario dan 3 rasio pembagian data latih dan data uji. Parameter terbaik dari skenario-skenario yang diuji coba akan dijadikan acuan dalam membangun model sistem prediksi status stunting.
Variabel yang memiliki korelasi secara signifikan dengan perubahan status stunting anak antara lain tinggi badan balita, berat badan balita, tinggi badan ibu, pendidikan ibu terakhir, area tempat tinggal, dan sanitasi lingkungan,. Dari skenario yang dilakukan, model prediksi yang memiliki hasil akurasi tertinggi adalah penggunaan variabel signifikan dengan rasio pembagian data 90:10 dan solver newton-cg dengan nilai akurasi 62%.
================================================================================================
Stunting is one of the health conditions of malnutrition caused by chronic undernutrition of toddlers in the First 1,000 Days of Life (HPK). Stunting could cause a child to be a lot shorter and decreases their ability academically. Stunting could happen all around the globe, but developing countries have a stunting rate above the average limit. In Indonesia, the stunting prevalence rate on 2019 reached 27.67%. Although this figure is a 10% decrease from the stunting prevalence rate in 2017 which is 37%, Indonesia has health problems based on the WHO decision which states that the limit for nutritional problems could not be higher than 20%. When ignored, stunting could affect human resources in Indonesia, which could negatively impact on nation's competitiveness, economy, and gross domestic product (PDB). Studies and researches have been conducted to find out and understand more deeply about the causes and impacts of stunting in Indonesia. However, there are still few studies that discuss models for predicting stunting status and severe stunting in Indonesian children using Indonesian Family Life Survey (IFLS) data with the Multinomial Logistic Regression method.
The result of this final project is a prediction system that can detect stunting status in children which is divided into three categories, namely normal, stunting and severe stunting using Multinomial Logistic Regression. This final project will use data on IFLS 4 in 2007 and IFLS 5 in 2014 from RAND Corporation. The stunting status label was made by referring to Antropometry Standards of the Ministry of Health Republic of Indonesia which was calculated with child’s height, age and gender. Independent variables include data on child’s gender, child’s age, child’s height, child’s weight, mother’s height, mother’s age of birth, child’s birth weight, mother’s latest education level, area of residence, and environmental sanitation. These variables will be analyzed using Kruskal-Wallis test for categorical variables and T-test for numerical variables. The Multinomial Logistic Regression method used in this final project will be tested with 3 scenarios and 3 ratios of training and test data distribution. The best parameters from the tested scenarios will be used as a reference in building a stunting status prediction system model.
Variables that have a significant correlation with changes in child stunting status include toddler's height, toddler's weight, mother's height, last mother's education, area of residence, and environmental sanitation. From the scenarios carried out, the prediction model that has the highest accuracy results is the use of significant variables with a data sharing ratio of 90:10 and the newton-cg solver with an accuracy value of 62%.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Malnutrisi, prediksi stunting, machine learning, multinomial logistic regression, Malnutrition, stunting prediction, machine learning
Subjects:	T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models. T Technology > T Technology (General) > T58.6 Management information systems
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Deanda Bevani Aletha
Date Deposited:	22 Aug 2021 15:10
Last Modified:	22 Aug 2021 15:10
URI:	http://repository.its.ac.id/id/eprint/88791

Actions (login required)

View Item