Pengklasifikasian Wilayah Berdasarkan Data Tingkat Stunting Di Kota Bandung
Keywords:
Stunting, Algoritma Decision Tree, Kota Bandung, Intervensi Kebijakan, Analisis Data MiningAbstract
Penelitian ini bertujuan untuk mengidentifikasi wilayah dengan prevalensi stunting balita tertinggi di Kota Bandung menggunakan algoritma Decision Tree. Stunting merupakan masalah kesehatan masyarakat serius yang berdampak pada pertumbuhan fisik dan perkembangan kognitif anak, serta memengaruhi kualitas hidup generasi mendatang. Data penelitian diambil dari laporan Katalog Satu Data tahun 2023, yang mencakup prevalensi stunting di tingkat kelurahan. Metode Decision Tree digunakan untuk menganalisis pola distribusi stunting dan mengidentifikasi faktor risiko utama, seperti jumlah balita, persentase balita dengan tinggi badan pendek, dan kondisi sosial-ekonomi wilayah. Hasil penelitian menunjukkan bahwa wilayah Bandung Kulon memiliki prevalensi stunting tertinggi, dengan faktor utama berupa persentase balita stunting yang sangat tinggi. Model Decision Tree yang digunakan memiliki akurasi sebesar 100%, menunjukkan kemampuan prediksi yang kuat untuk mengklasifikasikan wilayah berisiko. Berdasarkan hasil ini, direkomendasikan penguatan intervensi kesehatan masyarakat, seperti peningkatan kapasitas Posyandu, perbaikan akses sanitasi dan air bersih, serta pemberdayaan ekonomi keluarga. Temuan ini memberikan dasar yang kuat bagi pemerintah Kota Bandung untuk merancang kebijakan berbasis data guna menurunkan angka stunting secara efektif dan berkelanjutan.
Downloads
References
BAPPENAS. (2023). Strategi nasional percepatan pencegahan stunting. Kementerian Perencanaan Pembangunan Nasional Republik Indonesia.
Kementerian Kesehatan RI. (2022). Pedoman pencegahan stunting berbasis keluarga. Direktorat Gizi Masyarakat.
Kementerian Kesehatan Republik Indonesia. (2023). Laporan Nasional Status Gizi Indonesia.
Agustina, R., et al. (2020). Faktor risiko stunting di Indonesia: Analisis menggunakan Decision Tree. Jurnal Kesehatan Masyarakat, 14(2), 123-135. doi: 10.22146/jkm.59451
Cahyono, D., Manongga, A. R., & Picauly, S. (2016). Faktor-faktor yang mempengaruhi stunting pada anak balita. Jurnal Gizi dan Kesehatan, 10(2), 123-130.
Febrina, R., & Sukarni, M. (2019). Peran posyandu dalam penanganan stunting di Indonesia. Jurnal Kesehatan Masyarakat Indonesia, 14(2), 45-57.
Jalal, F. (2007). Stunting: Masalah kesehatan masyarakat yang serius. Jurnal Kesehatan Masyarakat, 2(1), 1-8.
Kusumawati, E., & Rahman, A. (2020). Pemberdayaan ekonomi keluarga untuk pencegahan stunting. Jurnal Pemberdayaan Masyarakat, 5(1), 23-35.
Muhib, M. A. (2020). Faktor-faktor yang mempengaruhi stunting di Indonesia. Jurnal Kesehatan Masyarakat, 10(1), 1-9.
Rizqi, R. F., et al. (2021). Penerapan Decision Tree untuk memprediksi wilayah dengan prevalensi stunting tinggi. Jurnal Ilmu Komputer dan Informasi, 10(1), 1-12. doi: 10.22146/jiki.59451
Rosha, A. R. (2016). Penanganan stunting melalui intervensi kesehatan lingkungan. Jurnal Kesehatan Lingkungan, 8(2), 123-130.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32. doi: 10.1023/A:1010933404324
Han, J., et al. (2012). Data mining: Konsep dan teknik (Edisi 3). Prenada Media Group.
James, B. E., et al. (2018). Predicting malnutrition risk in developing countries using Decision Trees. Journal of Nutrition and Health Sciences, 3(2), 1-9. doi: 10.15744/2393-9045.3.201
Han, J. (2001). Data mining: Konsep dan teknik. (Terjemahan oleh: Santosa, B.). Prenada Media Group.
Santosa, B. (2007). Data mining: Teori dan aplikasi. Prenada Media Group.
World Bank. (2021). Monitoring framework for stunting prevention programs. World Bank Group. World Health Organization. (2021). Environmental interventions for stunting prevention. WHO Regional Office for South-East Asia.
Downloads
Published
Issue
Section
Citation Check
License
Copyright (c) 2025 Diny Aryani Putri, Reska Pratama Putri, Syabila Maharani
This work is licensed under a Creative Commons Attribution 4.0 International License.
