Yunidar Primary Author mixed material bibliography Banda Aceh Fakultas Pasca Sarjana Program Doktor Ilmu Teknik (S3) 2025

Dissertation

Stunting merupakan masalah kesehatan global yang berdampak pada perkembangan fisik dan kognitif anak. Metode penentuan stunting dengan teknik pengukuran fisik membutuhkan peralatan yang tepat dan tenaga kesehatan yang terlatih. Di banyak daerah, terutama di daerah pedesaan dan terpencil, akses terhadap fasilitas kesehatan yang memadai dan tenaga medis yang terlatih masih terbatas akibatnya proses penentuan stunting sedikit membutuhkan waktu. Salah satu pendekatan yang dapat digunakan untuk mempersingkat proses deteksi stunting adalah dengan memanfaatkan teknologi pembelajaran mesin, khususnya convolutional neural network (CNN). CNN memiliki kemampuan untuk menganalisis citra wajah dan mengekstrak pola-pola visual yang dapat menggambarkan kondisi kesehatan, termasuk indikasi stunting pada anak. Berbagai penelitian sebelumnya telah mengaplikasikan CNN dalam analisis citra wajah anak- anak di India untuk mendeteksi indikasi stunting. Penelitian ini bertujuan untuk mengembangkan model CNN yang lebih spesifik dalam menganalisis citra wajah anak-anak Indonesia dan menentukan karakteristik wajah yang dapat membedakan antara anak stunting dan anak normal. Langkah pertama dalam penelitian ini adalah membangun dataset citra wajah anak-anak Indonesia yang terdiri dari 500 citra wajah anak stunting dan 500 citra wajah anak normal. Citra wajah ini diambil pada jarak 50 cm dengan kondisi pencahayaan yang sama, untuk memenuhi akuisisi pada setiap citra. Selanjutnya, penulis membangun model CNN menggunakan berbagai arsitektur populer seperti ResNet-34, AlexNet, ShuffleNetV2, InceptionV3, MobileNetV2, EfficientNetB0, dan VGG19. Setiap model diuji dan dibandingkan untuk menentukan arsitektur dengan kinerja terbaik dalam mengklasifikasikan wajah anak yang mengalami stunting dan normal. Untuk meningkatkan kinerja model, diterapkan teknik regulasi berupa augmentasi data untuk menentukan karakterisasi stunting pada setengah wajah dan full wajah. Selain itu untuk mencegah overfitting dan meningkatkan kestabilan pembelajaran dilakukan penerapan early stopping. Hasil dari penelitian menunjukkan arsitektur yang dibangun menggunakan EfficientNetB0 adalah model yang paling optimal untuk klasifikasi citra wajah anak dengan akurasi yang mencapai 100%. Penelitian ini juga menemukan bahwa wajah anak yang mengalami stunting, memiliki karakteristik ukuran mulut yang lebih kecil, mata yang sipit dan bentuk wajah yang tidak seimbang. Hasil yang diperoleh dari pelatihan model yang dibangun secara keseluruhan sangat efektif untuk mendeteksi indikasi stunting pada anak melalui analisis citra wajah. Penggunaan metode ini berpotensi mempercepat deteksi stunting dan dapat membantu upaya pencegahan dan intervensi kesehatan yang lebih tepat waktu. Kata kunci: arsitektur, cnn, klasifikasi, metode, stunting. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 153607 2025-04-16 15:54:35 2025-04-16 15:59:20 machine generated