Vol. 2 No. 10 (2024): GJMI - OKTOBER

Stunting pada balita merupakan permasalahan kesehatan masyarakat yang serius dan memerlukan penanganan segera melalui deteksi dini yang akurat. CNN (Convolutional Neural Network) merupakan metode yang akurat, efektif dan tepat sasaran dalam memberikan hasil yang akurat dan presisi. Implementasi metode CNN dapat mengklasifikasikan status stunting pada balita berdasarkan parameter antropometri dan karakteristik kesehatan. Dataset yang digunakan terdiri dari 6.500 sampel data balita dengan 8 variabel meliputi jenis kelamin, usia, berat lahir, panjang lahir, berat badan, panjang badan, riwayat ASI eksklusif, dan status stunting. Metodologi yang digunakan melibatkan serangkaian tahapan preprocessing data termasuk standardisasi fitur menggunakan StandardScaler, pemisahan data training (80%) dan testing (20%), serta penggunaan arsitektur CNN yang terdiri dari layer konvolusi 1D dengan 32 filter, max pooling, dan dense layer. Model dilatih menggunakan optimizer Adam dengan fungsi loss categorical crossentropy selama 10 epoch dan batch size 32. Evaluasi performa model dilakukan menggunakan berbagai metrik termasuk accuracy, precision, recall, dan F1-score.

Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mencapai performa yang sangat baik dengan akurasi 90%, precision 89%, recall 92%, dan F1-score 91%. Analisis confusion matrix mengkonfirmasi kemampuan model dalam mengklasifikasikan kedua kelas yaitu pada stunting dan non-stunting secara seimbang. Temuan ini mengindikasikan bahwa implementasi CNN efektif dalam mengidentifikasi status stunting pada balita dan berpotensi menjadi alat bantu yang berharga dalam screening stunting di fasilitas kesehatan.