Penerapan Machine Learning Dan Shap Dalam Klasifikasi Dan Identifikasi Faktor Risiko Stunting Berdasarkan Karakteristik Balita Dan Keluarga

Abstract

Stunting merupakan salah satu isu kesehatan di Indonesia, khususnya di wilayah dengan prevalensi tinggi seperti Kabupaten Bondowoso. Upaya penanganan stunting tidak hanya memerlukan intervensi langsung dari sektor kesehatan, tetapi juga perlu intervensi dini dengan pendekatan berbasis data untuk mengenali pola dan faktor risiko yang relevan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi serta mengidentifikasi risiko stunting berdasarkan karakteristik balita dan keluarga, sekaligus memahami faktor-faktor yang paling berpengaruh terhadap status stunting. Penelitian ini menerapkan algoritma machine learning Random Forest dan Extreme Gradient Boosting (XGBoost) untuk mengembangkan model klasifikasi stunting, dengan menerapkan beberapa skenario proporsi data dan optimasi hyperparameter. Hasil menunjukkan bahwa model XGBoost dengan tuning hyperparameter pada proporsi data training 80% memberikan performa terbaik dengan akurasi 96.6%, nilai rata-rata F1 Score 96.3%, dan precision-recall AUC sebesar 98.9%. Proses interpretasi model menggunakan metode SHAP memberikan wawasan penting mengenai kontribusi masing-masing fitur terhadap hasil prediksi. Dari hasil analisis, ditemukan bahwa faktor berdasarkan karakteristik balita yang berpengaruh terhadap stunting mencakup tinggi badan, usia, berat badan, jenis kelamin, serta pemberian MPASI dan ASI eksklusif. Selain itu, faktor berdasarkan karakteristik keluarga seperti tingkat kesejahteraan dan akses terhadap jamban layak juga memiliki kontribusi terhadap status stunting pada balita.