Nuwairy El Furqany Primary Author mixed material bibliography Banda Aceh Fakultas MIPA (S2) 2026

Theses

Stunting merupakan masalah kesehatan global yang berdampak jangka panjang terhadap kualitas sumber daya manusia dan masih menjadi prioritas utama di Indonesia. Di Provinsi Sumatera Barat, prevalensi stunting pada tahun 2024 tercatat sebesar 23,6%, yang masih berada di atas target nasional sebesar 14%. Penelitian ini bertujuan untuk mengembangkan model prediksi risiko stunting berbasis machine learning yang mampu menangani ketidakseimbangan kelas, meningkatkan akurasi dan sensitivitas prediksi, serta menyediakan interpretabilitas model yang transparan. Data penelitian bersumber dari Pemutakhiran Pendataan Keluarga (PK) BKKBN Provinsi Sumatera Barat tahun 2023 dengan total 115.579 keluarga. Tahapan penelitian meliputi pra-pemrosesan data, pembagian data, penyeimbangan kelas pada data latih menggunakan SMOTEENN, optimasi hyperparameter, serta pemodelan klasifikasi menggunakan Logistic Regression, Random Forest, Support Vector Machine, dan XGBoost. Selanjutnya, dikembangkan Soft Voting Ensemble (SVE) dengan pembobotan berbasis akurasi untuk mengintegrasikan keunggulan beberapa model. Evaluasi performa dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score, sedangkan interpretabilitas dianalisis menggunakan metode SHapley Additive exPlanations (SHAP). Hasil penelitian menunjukkan bahwa penerapan SMOTEENN meningkatkan akurasi dan sensitivitas seluruh model secara konsisten. Peningkatan terbesar terjadi pada Random Forest, sementara XGBoost menunjukkan kinerja yang paling stabil dengan akurasi 91,82% dan recall 91,74%. Model hybrid Soft Voting Ensemble yang mengombinasikan Random Forest dan XGBoost menghasilkan performa terbaik dengan akurasi 91,95% dan sensitivitas 93,21% dalam mendeteksi keluarga berisiko stunting. Analisis SHAP mengidentifikasi jumlah anggota keluarga, tingkat pendidikan, keragaman konsumsi makanan, jenis pekerjaan, dan sumber air minum sebagai faktor paling berpengaruh terhadap risiko stunting. Penelitian ini membuktikan bahwa integrasi SMOTEENN, Soft Voting Ensemble berbobot akurasi, dan SHAP mampu menghasilkan model prediksi risiko stunting yang akurat, sensitif terhadap kelas minoritas, stabil, dan mudah diinterpretasikan, sehingga relevan untuk mendukung kebijakan intervensi stunting berbasis data. Kata kunci: Stunting, Machine Learning, SMOTEENN, Soft Voting Ensemble, SHAP, Interpretabilitas Model 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1709659 2026-01-22 01:49:15 2026-01-22 10:09:19 machine generated