Klasifikasi Multi Class Menggunakan Metode Backpropagation Neural Network untuk Prediksi Stunting pada Balita

Uswatun Khasanah

doi:10.55719/mv.v7i1.1650

Authors

Uswatun Khasanah Universitas Billfath

DOI:

https://doi.org/10.55719/mv.v7i1.1650

Keywords:

Stunting, Multiclass, Prediksi, Backpropagation Neural Network

Abstract

Stunting merupakan sebuah masalah gizi kronis yang menghambat pertumbuhan anak dan menyebabkan efek jangka panjang yang serius. Salah satu upaya yang dapat dilakukan untuk mengetahui stunting lebih dini yaitu dengan melakukan prediksi. Pada penelitian ini dilakukan klasifikasi multiclass menggunakan Metode Backpropagation Neural Nework untuk prediksi stunting pada balita. Proses pada penelitian ini yaitu pengumpulan data, preprocessing data, pembagian data, pembangunan model, pelatihan, pengujian dan evaluasi model. Model yang dibangun dapat mengklasifikasi status stunting menjadi 4 kategori yaitu normal, tinggi, stunting, dan sangat stunting. Data yang digunakan pada penelitian ini yaitu sebanyak 120.999 data. Data dibagi menjadi dua yaitu sebanyak 80% digunakan sebagai data latih dan 20% sebagai data uji. Perhitungan akurasi menggunakan metode cross entropy dan evaluasi akurasi. Hasil penelitian menunjukkan bahwa akurasi training yang didapatkan sebesar 99% dan akurasi testing sebesar 99%. Berdasarkan hasil tersebut menunjukkan bahwa model pembelajaran yang dibangun dengan menggunakan metode Backpropagation Neural Network mampu mencapai hasil yang sangat baik untuk melakukan klasifikasi stunting ke dalam beberapa kelas.

Downloads

References

J. Fauziah, K. D. Trisnawati, K. P. S. Rini, and S. U. Putri, “Stunting: Penyebab, Gejala, dan Pencegahan,” Jurnal Parenting dan Anak, vol. 1, no. 2, p. 11, Dec. 2023, doi: 10.47134/jpa.v1i2.220.

F. De Gomes, P. Redy, and P. Jaya, “Pemahaman Kaum Ibu tentang Stunting dan Dampaknya Terhadap Asupan Gizi Anak Balita,” Pusat Studi Gender dan Anak UIN Alauddin Makassar Sipakalebbi, vol. 7, no. 1, 2023.

H. Rahman, M. Rahmah, and N. Saribulan, “Upaya Penanganan Stunting di Indonesia,” Jurnal Ilmu Pemerintahan Suara Khatulistiwa (JIPSK), no. 01, Jun. 2023.

A. Subadi, “Diagnosa Stunting Berdasarkan Gejala Medis Menggunakan Algoritma Naive Bayes, SVM dan K-NN,” JIP (Jurnal Informatika Polinema), vol. 10, Aug. 2024.

I. Akbar, F. Supriadi, and D. I. Junaedi, “Pemanfaatan Machine Learning di Bidang Kesehatan,” Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 1, Feb. 2025.

J. Nurhakiki et al., “Studi Kepustakaan: Pengenalan 4 Algoritma Pada Pembelajaran Deep Learning Beserta Implikasinya,” Jurnal Pendidikan Berkarakter, no. 1, pp. 270–281, 2024, doi: 10.51903/pendekar.v2i1.598.

M. Azhima, I. Afrianty, E. Budianita, and S. Kurnia Gusti, “Penerapan Metode Backpropagation Neural Network untuk Klasifikasi Penyakit Stroke,” Media Online), vol. 4, no. 6, pp. 3013–3021, Jun. 2024, doi: 10.30865/klik.v4i6.1956.

B. Satria, “Prediksi Volume Penggunaan Air PDAM Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 2, no. 3, pp. 674–684, 2018, doi: 10.29207/resti.v2i3.575.

P. I. Ashuri, I. A. Cahyani, and C. S. K. Aditya, “Klasifikasi Penyakit Stunting Menggunakan Algoritma Multi-Layer Perceptron,” Journal MIND Journal | ISSN, vol. 9, no. 1, pp. 52–63, Mar. 2024, doi: 10.26760/mindjournal.v9i1.52-63.

S. Vashisth, I. Dhall, and S. Saraswat, “Chronic kidney disease (CKD) diagnosis using multi-layer perceptron classifier,” in Proceedings of the Confluence 2020 - 10th International Conference on Cloud Computing, Data Science and Engineering, Institute of Electrical and Electronics Engineers Inc., Jan. 2020, pp. 346–350. doi: 10.1109/Confluence47617.2020.9058178.

D. Nasien, V. Enjeslina, M. Hasmil Adiya, and Z. Baharum, “Breast Cancer Prediction Using Artificial Neural Networks Back Propagation Method,” in Journal of Physics: Conference Series, Institute of Physics, 2022. doi: 10.1088/1742-6596/2319/1/012025.

W. S. Lestari, Y. M. Saragih, and C. Caroline, “Multiclass Classification for Stunting Prediction Using Deep Neural Networks,” JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), vol. 10, no. 2, pp. 386–393, Nov. 2024, doi: 10.33480/jitk.v10i2.5636.

U. Khasanah and N. Ulinnuha, “Prediksi Biaya Konsumsi Bahan Bakar Gas Menggunakan Metode Backpropagation Neural Network (Studi Kasus: PLTU PT. Pembangkit Jawa Bali Unit Pembangkitan Gresik),” Jurnal Sains Matematika dan Statistika, vol. 5, no. 2, 2019.

K. Kurniawan, B. Ceasaro, and S. #3, “Perbandingan Fungsi Aktivasi Untuk Meningkatkan Kinerja Model LSTM Dalam Prediksi Ketinggian Air Sungai,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 10, no. 1, Apr. 2024.

I. Pamungkas and S. Alam, “Studi Komparasi Fungsi Aktivasi Sigmoid Biner, Sigmoid Bipolar dan Linear pada Jaringan Saraf Tiruan dalam Menentukan Warna RGB Menggunakan Matlab,” Serambi Engineering, vol. VII, no. 4, 2022.

M. Hamsy Romario, E. Ihsanto, and T. Maya Kadarina, “Sistem Hitung Dan Klasifikasi Objek Dengan Metode Convolutional Neural Network,” vol. 11, no. 2, p. 108, 2020.

G. Eka Saputra, A. Faisal, and dan Ahmad Apandi, “Perbandingan Penerapan Algoritma Neural Network Backpropagation dengan Optimasi Algoritma LBFGS dan SGD untuk Prediksi Penyakit Jantung,” Seminar Nasional Teknologi Informasi dan Komunikasi STI&K (SeNTIK), vol. 4, no. 1, Sep. 2020.

M. Akbar and W. Yustanti, “Pemilihan Algoritma Klasifikasi Terbaik Untuk Prediksi Jenis Keluhan MI User Interface (MIUI) 14,” Journal of Informatics and Computer Science, vol. 06, 2024.

M. Yunus, M. K. Biddinika, and A. Fadlil, “Classification of Stunting in Children Using the C4.5 Algorithm,” Jurnal Online Informatika, vol. 8, no. 1, pp. 99–106, Jun. 2023, doi: 10.15575/join.v8i1.1062.

O. N. Chilyabanyama et al., “Performance of Machine Learning Classifiers in Classifying Stunting among Under-Five Children in Zambia,” Children, vol. 9, no. 7, Jul. 2022, doi: 10.3390/children9071082.

F. M. Amin, D. Candra, and R. Novitasari, “Identification of Stunting Disease using Anthropometry Data and Long Short-Term Memory (LSTM) Model,” Computer Engineering and Applications, vol. 11, no. 1, 2022.