View/Open

Author
CINDY, NADILA PUTRI

Date Published
10 Aug 2026

Advisor
Martin Clinton Tosima Manullang, S.T., M.T., Ph.D.,

Subject
Teknik Informatika

Publisher

Prevalensi stunting di Indonesia merupakan salah satu permasalahan kesehatan masyarakat yang dipengaruhi oleh berbagai faktor determinan yang kompleks dan bersifat non-linear. Penelitian ini bertujuan untuk mengidentifikasi faktor determinan utama stunting pada tingkat provinsi serta mengekstraksi titik ambang batas kritisnya menggunakan data agregat Survei Status Gizi Indonesia (SSGI) tahun 2024. Proses pemodelan dilakukan menggunakan algoritma Random Forest Regression, sedangkan interpretabilitas model untuk menjelaskan sifat black-box dianalisis melalui pendekatan Explainable Artificial Intelligence (XAI) menggunakan metode SHapley Additive exPlanations (SHAP). Evaluasi kemampuan generalisasi model menggunakan skema Leave-One-Out Cross Validation (LOOCV) secara agregat global menghasilkan nilai Mean Absolute Error (MAE) sebesar 3,44 dan Root Mean Squared Error (RMSE) sebesar 4,70. Sementara itu, evaluasi pada keseluruhan data latih menghasilkan nilai koefisien determinasi (R^2) sebesar 0,9090, MAE sebesar 1,40, RMSE sebesar 1,77, dan Mean Absolute Percentage Error (MAPE) sebesar 7,22%, yang menunjukkan tingkat pencocokan model yang baik terhadap data latih. Berdasarkan visualisasi tingkat kepentingan fitur SHAP, determinan yang paling berpengaruh adalah kurangnya pemenuhan standar gizi harian balita yang ditunjukkan oleh ketiadaan Minimum Dietary Diversity (MDD) dan Minimum Milk Feeding Frequency (MMFF), tingginya persentase usia ibu berisiko, akses sanitasi yang tidak memadai, serta rendahnya cakupan Pemberian Makanan Tambahan (PMT). Lebih lanjut, analisis SHAP Dependence Plot berhasil mengidentifikasi beberapa titik ambang batas penting, yaitu ketiadaan MDD sebesar 55%, ketiadaan MMFF sebesar 22%, usia ibu berisiko sebesar 14%, dan sanitasi berisiko sebesar 10%. Risiko peningkatan prevalensi stunting teramati meningkat secara signifikan ketika suatu wilayah melampaui batas-batas tersebut. Hasil penelitian menunjukkan bahwa kombinasi Random Forest Regression dan SHAP mampu mengidentifikasi determinan dominan stunting serta memberikan interpretasi yang mudah dipahami, sehingga berpotensi mendukung proses evaluasi dan perumusan kebijakan penanganan stunting berbasis data.

URI
https://repository.itera.ac.id/depan/submission/SB2608100006

Keyword
Stunting Random Forest SHAP SSGI Determinan