Electronic Theses and Dissertation

Stunting adalah bentuk umum dari malnutrisi anak, di mana kondisi anak lebih pendek dibandingkan anak seumurnya. stunting dapat menyebabkan dampak jangka panjang bagi anak, termasuk penurunan kemampuan kognitif, masalah kesehatan, dan produktivitas yang lebih rendah di masa dewasa. penelitian ini berfokus pada penggunaan augmentasi generative adversarial network (gan) dalam klasifikasi citra anak stunting dan normal menggunakan metode convolutional neural network (cnn) dengan arsitektur mobilenet. akurasi yang dihasilkan dari pelatihan adalah sebesar 76% tanpa menggunakan augmentasi, dengan augmentasi konvensional sebesar 87%, dan menggunakan augmentasi gan menghasilkan akurasi sebesar 99%. kata kunci: stunting, convolutional neural network, augmentasi, generative adversarial network, mobilenet.

Stunting is a common form of child malnutrition, where children are shorter compared to their peers of the same age. Stunting can have long-term effects on children, including decreased cognitive abilities, health problems, and lower productivity in adulthood. This study will focus on the use of Generative Adversarial Network (GAN) augmentation in the classification of images of stunted and normal children using Convolutional Neural Network (CNN) methodologies with a MobileNet architecture. The accuracy achieved from training is 76% without augmentation, 87% with conventional augmentation, and 99% using GAN augmentation. Keywords: Stunting, Convolutional Neural Network, Augmentation, Generative Adversarial Network, MobileNet