Analisis Perbandingan Kinerja Model Machine Learning untuk Memprediksi Risiko Stunting pada Pertumbuhan Anak

Abstract

Stunting menjadi masalah serius dalam pertumbuhan anak di Indonesia, mendorong penelitian ini untuk mengembangkan model prediksi menggunakan Machine Learning. Tujuan penelitian adalah membandingkan performa dari lima algoritma yaitu Random Forest, Logistic Regression, Naïve Bayes, SVM dan  Neural Networks untuk memprediksi stunting anak. Data stunting anak tahun 2023 dari Kota Lubuk Linggau yang digunakan dengan total 400 sampel. Metodologi penelitian melibatkan langkah inisiasi, pengembangan model linier, pembandingan hasil pengujian model, dan analisis prediksi menggunakan platform KNIME. Hasil uji menunjukkan bahwa Naïve Bayes memiliki performa tertinggi dengan akurasi = 98,57%, F1-Score = 0,99, serta recall dan precision yang sangat tinggi. Random Forest juga memberikan hasil baik dengan akurasi = 98,29%, namun Naïve Bayes diidentifikasi sebagai model terbaik. Penelitian ini memberikan kontribusi signifikan dalam upaya untuk pencegahan stunting dengan menggabungkan teknologi Machine Learning dan analisis dataset kesehatan. Dengan mengembangkan model prediksi menggunakan berbagai algoritma machine learning, diharapkan dapat membantu praktisi kesehatan dalam mengidentifikasi risiko stunting secara dini. Model yang optimal dapat digunakan sebagai alat pendukung keputusan untuk memberikan intervensi yang tepat dan efektif.