Electronic Theses and 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.

Stunting is a global health problem that has an impact on children's physical and cognitive development. The method of determining stunting with physical measurement techniques requires appropriate equipment and trained health workers. In many areas, especially in rural and remote areas, access to adequate health facilities and trained medical personnel is still limited as a result the process of determining stunting is a little time. One approach that can be used to shorten the stunting detection process is to utilize machine learning technology, especially the Convolutional Neural Network (CNN). CNN has the ability to analyze face images and extract visual patterns that can describe health conditions, including stunting indications in children. Various previous studies have applied CNN in the face analysis of children's faces in India to detect stunting indications. This study aims to develop a more specific CNN model in analyzing the face image of Indonesian children and determining facial characteristics that can distinguish between stunting children and normal children. The first step in this study was to build a dataset of the face images of Indonesian children consisting of 500 faces of stunting children and 500 normal children's face images. This face image is taken at a distance of 50 cm with the same lighting conditions, to meet the acquisition of each image. Furthermore, the author built a CNN model using various popular architecture such as Resnet-34, Alexnet, Shufflenetv2, Inceptionv3, MobileNetv2, EfficientnetB0, and VGG19. Each model is tested and compared to determining which has the best performance in classifying the faces of children who experience stunting and normal. To improve the performance of the model, regulatory techniques are applied in the form of data augmentation to determine the characterization of stunting on half faces and full face. In addition to preventing overfitting and increasing learning stability, the application of early stopping is carried out. The results of this study show that the architecture built using efficientnetb0 is the most optimal model for the classification of children's face images with an accuracy that reaches 100%. This study also found that the face of a stunted child has a smaller characteristic of mouth size, narrow eyes, and an unbalanced face shape. The results obtained from the model training that were built as a whole were very effective to detect stunting indications in children through facial image analysis. The use of this method has the potential to accelerate stunting detection and can help more timely prevention and health intervention. Keywords: architecture, cnn, classification, method, stunting.