Implementasi Metode CNN Untuk Klasifikasi Status Stunting Pada Balita
Main Article Content
Syariful Abrori
Zaehol Fatah
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.
Alrasyid, H., Homaidi, A., Kom, M., Fatah, Z., & Kom, M. (2024). Comparison Support Vector Machine and Random Forest Algorithms in Detect Diabetes. 1(1), 447–453.
Arhami, M. (2024). Metodologi Penelitian Untuk Teknologi Informasi Dan Komputer. https://www.google.co.id/books/edition/METODOLOGI_PENELITIAN_UNTUK_TEKNOLOGI_IN/XSf5EAAAQBAJ?hl=id&gbpv=1&dq=metode+penelitian+cnn&pg=PA270&printsec=frontcover
Batubara, N. A., & Awangga, R. M. (2020). Tutorial Object Detection Plate Number With Convolution Neural Network (Cnn). Kreatif. https://books.google.co.id/books?hl=id&lr=&id=JAgHEAAAQBAJ&oi=fnd&pg=PA1&dq=Batubara,++N.++A.,++%26++Awangga,++R.++M.++2020.++TUTORIAL+Object++Detection++Plate++Number++With++Convolution+Neural+Network+(Cnn)+(Vol.+1).+Kreatif.&ots=3Wqi7k2pNw&sig=KgV94Wbdw
Dkk, M. F. (2016). Penelitian lapangan (field research) pada metode kualitatif. Penelitian Lapangan, 1–26.
Jalil, A., Homaidi, A., & Fatah, Z. (2024). Implementasi Algoritma Support Vector Machine Untuk Klasifikasi Status Stunting Pada Balita. G-Tech: Jurnal Teknologi Terapan, 8(3), 2070–2079. https://doi.org/10.33379/gtech.v8i3.4811
L. Tri Wijaya Nata K., D. P. A. (2016). Aplikasi Komputer dan Pengolahan Data Pengantar Statistika Industri. https://www.google.co.id/books/edition/Aplikasi_Komputer_dan_Pengolahan_Data_Pe/LllKDwAAQBAJ?hl=id&gbpv=0
Lonang, S., & Normawati, D. (2022). Klasifikasi Status Stunting Pada Balita Menggunakan K-Nearest Neighbor Dengan Feature Selection Backward Elimination. 6, 49–56. https://doi.org/10.30865/mib.v6i1.3312
Wiliani, N., Hidayah, N., Rahman, T. K. A., & Ramli, S. (2023). Perbandingan Arsitektur CNN AlexNet dan VGG16 untuk Klasifikasi pada Gambar Permukaan Solar Panel yang Rusak. https://www.google.co.id/books/edition/Perbandingan_Arsitektur_CNN_AlexNet_dan/eJ32EAAAQBAJ?hl=id&gbpv=1&dq=cnn&pg=PA85&printsec=frontcover
Yuliana & Hakim W, B. M. (2019). Darurat stunting dengan melibatkan keluarga. In Yayasan Ahmar Cendekia Indonesia. https://www.google.co.id/books/edition/Darurat_Stunting_dengan_Melibatkan_Kelua/xE-9DwAAQBAJ?hl=id&gbpv=1&dq=pertumbuhan+anak+dan+stunting&printsec=frontcover