PENERAPAN DATA SCIENCE UNTUK MEMPREDIKSI KONVERGENSI STUNTING MENGGUNAKAN ALGORITMA DECISION TREE

• SINTA NIA
• 2025

---

Sinta Nia (17207040), Penerapan Data Science Untuk Memprediksi Konvergensi Stunting Menggunakan Algoritma Decision Tree
Stunting adalah salah satu masalah serius dalam kesehatan global yang berdampak pada jutaan anak di dunia, termasuk Indonesia. Meskipun prevalensi stunting nasional telah mengalami penurunan, angka stunting di beberapa wilayah seperti Aceh dan Nusa Tenggara Timur masih berada di atas ambang batas yang direkomendasikan WHO. Dalam menghadapi tantangan ini, konvergensi program intervensi gizi menjadi strategi penting untuk menekan angka stunting. Penelitian ini bertujuan untuk mengukur efektivitas program konvergensi, mengidentifikasi pola implementasi di berbagai wilayah, serta mengeksplorasi faktor-faktor utama yang mempengaruhi keberhasilan program dengan menggunakan algoritma Decision Tree. Hasil analisis menunjukkan bahwa cakupan layanan intervensi masih belum merata, dengan kategori Tidak Tercapai mendominasi wilayah seperti Jawa Tengah dan Jawa Timur. Fitur-fitur seperti cakupan imunisasi, pemantauan berat dan panjang badan, akses terhadap air minum aman, serta partisipasi dalam kegiatan parenting menjadi indikator utama keberhasilan. Algoritma Decision Tree memberikan akurasi sebesar 86.7%, namun menunjukkan kelemahan pada kategori Tercapai dengan recall hanya 68.53%. Penelitian ini menunjukkan betapa pentingnya kerjasama dari berbagai pihak dan model Decision Tree telah memberikan informasi berbasis data untuk mengoptimalkan konvergensi program intervensi stunting di Indonesia.
Kata Kunci: Stunting, Konvergensi Program Intervensi, Decision Tree, Akurasi Model, Analisis Berbasis Data

https://repository.bsi.ac.id/repo/60870/PENERAPAN-DATA-SCIENCE-UNTUK-MEMPREDIKSI-KONVERGENSI-STUNTING-MENGGUNAKAN-ALGORITMA-DECISION-TREE
Anda dapat membaca file tugas akhir ini di repository.