Hasanah, Aulia Nashif Alfi (2026) Prediksi Risiko Stunting Menggunakan Algoritma Random Forest di Kota Tasikmalaya. Diploma thesis, Poltekkes Kemenkes Tasikmalaya.
![[img]](http://repo.poltekkestasikmalaya.ac.id/style/images/fileicons/text.png) |
Text
Halaman Pernyataan Orisinalitas.pdf Download (122kB) |
|
Text
Halaman Pengesahan.pdf Download (112kB) |
|
Text
Lembar Persetujuan Publikasi.pdf Download (129kB) |
|
Text
Halaman Judul.pdf Download (333kB) |
|
Text
Bab 1.pdf Download (44kB) |
|
Text
Bab 2.pdf Restricted to Repository staff only Download (172kB) |
|
Text
Bab 3.pdf Restricted to Repository staff only Download (137kB) |
|
Text
Bab 4.pdf Restricted to Repository staff only Download (436kB) |
|
Text
Bab 5.pdf Restricted to Repository staff only Download (94kB) |
|
Text
Daftar Pustaka.pdf Restricted to Repository staff only Download (164kB) |
|
Text
Lampiran.pdf Restricted to Repository staff only Download (9MB) |
Abstract
Latar Belakang: Stunting masih menjadi masalah kesehatan masyarakat di Kota Tasikmalaya dengan prevalensi yang fluktuatif. Pemanfaatan data laporan status gizi puskesmas saat ini masih bersifat deskriptif dan belum optimal digunakan sebagai dasar prediksi risiko. Metode Penelitian: Penelitian ini menggunakan desain kuantitatif dengan pendekatan predictive analytics. Data sekunder diperoleh dari aplikasi SiGizi Kesga tahun 2025 pada balita usia 6–19 bulan. Dataset dibagi menjadi 70% data latih dan 30% data uji, kemudian dianalisis menggunakan algoritma Random Forest pada aplikasi Orange Data Mining. Evaluasi model dilakukan menggunakan metrik AUC, accuracy, precision, recall, F1-score, dan Matthews Correlation Coefficient (MCC). Hasil Penelitian: Model menunjukkan performa sangat baik dengan nilai AUC 0,961; accuracy 0,951; F1-score 0,949; dan Matthews Correlation Coefficient (MCC) 0,723. Variabel yang paling berkontribusi adalah tinggi badan (0,094), usia (0,024), dan panjang badan lahir (0,012). Temuan ini menegaskan bahwa indikator antropometri dasar dapat menjadi prediktor kuat dalam mendeteksi balita berisiko tinggi. Kesimpulan: Algoritma Random Forest efektif dalam memprediksi risiko stunting berbasis data rutin puskesmas dan berpotensi mendukung deteksi dini serta penentuan prioritas intervensi. Kata Kunci: stunting, machine learning, random forest Daftar Pustaka: 2005 - 2025
| Item Type: | Thesis (Diploma) | ||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Contributors: |
|
||||||||||||
| Uncontrolled Keywords: | stunting, machine learning, random forest | ||||||||||||
| Subjects: | R Medicine > R Medicine (General) | ||||||||||||
| Divisions: | Jurusan RMIK > D3 Rekam Medis & Informasi Kesehatan | ||||||||||||
| Depositing User: | Mhs Aulia Nashif Alfi Hasanah | ||||||||||||
| Date Deposited: | 28 Jul 2026 04:21 | ||||||||||||
| Last Modified: | 28 Jul 2026 04:21 | ||||||||||||
| URI: | http://repo.poltekkestasikmalaya.ac.id/id/eprint/9742 |
Actions (login required)
 |
View Item |