Klasifikasi Stunting Balita Nusa Tenggara Timur Berdasarkan Faktor Sosial Ekonomi Kesehatan dengan Supervised Learning

Setiawan Bagus Candra; Haqi Alma Ainul; Nilawati Arum; Ramadhan M. Fajrin; Riefky Muhammad

doi:10.30587/indexia.v8i1.10635

Authors

Setiawan Bagus Candra Universitas Sebelas Maret https://orcid.org/0009-0008-4960-9737
Haqi Alma Ainul Universitas Sebelas Maret
Nilawati Arum Universitas Sebelas Maret
Ramadhan M. Fajrin Universitas Sebelas Maret
Riefky Muhammad Universitas Sebelas Maret

DOI:

https://doi.org/10.30587/indexia.v8i1.10635

Keywords:

Balita, Decision Tree, KNN, Nusa Tenggara Timur, Stunting

Abstract

Provinsi Nusa Tenggara Timur masih menghadapi tantangan serius dalam penurunan prevalensi stunting, di mana 27,3% kabupaten/kota pada tahun 2024 tergolong dalam kategori stunting tinggi, meskipun sebagian besar wilayah berada di bawah ambang batas nasional sebesar 19,8%. Penelitian ini bertujuan untuk menganalisis perubahan prevalensi stunting balita di Provinsi Nusa Tenggara Timur tahun 2024 dengan mempertimbangkan faktor sosial ekonomi dan kesehatan, serta untuk menentukan visualisasi hasil dari algoritma klasifikasi terbaik berdasarkan nilai akurasi. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik Provinsi Nusa Tenggara Timur tahun 2024, terdiri dari variabel seperti persentase stunting, persentase penduduk miskin, rata-rata lama sekolah, tingkat pengangguran terbuka, cakupan ASI eksklusif, persentase sanitasi layak, dan persentase balita wasting. Klasifikasi dilakukan menggunakan algoritma K-Nearest Neighbor (KNN) dan Decision Tree. Hasil penelitian menunjukkan bahwa algoritma Decision Tree memiliki nilai akurasi, sensitivitas, dan spesifisitas sebesar 100%, sedangkan K-Nearest Neighbor (KNN) memiliki nilai akurasi sebesar 80%. Rata-rata lama sekolah, persentase balita wasting, dan persentase penduduk miskin adalah faktor utama yang berpengaruh signifikan terhadap stunting. Temuan ini menegaskan bahwa percepatan penurunan stunting di Nusa Tenggara Timur perlu difokuskan pada peningkatan kualitas pendidikan, intervensi gizi balita, serta pengentasan kemiskinan sebagai strategi prioritas berkelanjutan.

Downloads

Download data is not yet available.

References

[1] S. F. Nashriyah, M. R. Makhful, and Y. P. Devi, “Gambaran Spasial Hubungan Antara Faktor Lingkungan Dan Ekonomi Dengan Stunting Balita Di Provinsi Nusa Tenggara Timur,” J. Spat. Wahana Komun. dan Inf. Geogr., vol. 23, no. 2, pp. 1–8, Mar. 2023, doi: 10.21009/spatial.232.01.

[2] R. Pratiwi, S. R, and R. F, “Dampak Status Gizi Pendek (Stunting) Terhadap Prestasi Belajar,” J. Ilm. Ilmu Keperawatan, vol. 12, no. 2, pp. 11–23, 2021, doi: 10.36089/nu.v12i2.317.

[3] BPS NTT, “Jumlah dan Persentase Balita Stunting Menurut Kabupaten/Kota Tahun 2024,” Badan Pusat Statistik Provinsi Nusa Tenggara Timur. [Online]. Available: https://ntt.bps.go.id/id/statistics-table/2/MTQ4OSMy/jumlah-balita-stunting-menurut-kabupaten-kota.html

[4] A. L. Kobun and A. M. Susilo, “Stunting: Poverty and Nutrition Status (Case Study at Tetaf Health Center, Timor Tengah Selatan Regency (TTS) East Nusa Tenggara Province (NTT),” Int. J. Econ. Bus. Manag. Res., vol. 6, pp. 1–11, 2022.

[5] M. A. L. Suratri et al., “Risk Factors for Stunting among Children under Five Years in the Province of East Nusa Tenggara (NTT), Indonesia,” Int. J. Environ. Res. Public Health, vol. 20, no. 2, pp. 1–13, 2023, doi: 10.3390/ijerph20021640.

[6] U. Agustine, S. D. R. P. Santoso, G. F. Boa, S. Mugianti, and Y. E. S. Gunawan, “Determinant of Stunting among Toddler in East Nusa Tenggara, Indonesia,” Babali Nurs. Res., vol. 3, no. 3, pp. 232–245, 2022, doi: 10.37363/bnr.2022.33148.

[7] S. F. Nashriyah, M. R. Makhful, and Y. P. Devi, “Gambaran Spasial Hubungan Antara Faktor Lingkungan dan Ekonomi dengan Stunting Balita di Provinsi Nusa Tenggara Timur,” J. Spat. Wahana Komun. dan Inf. Geogr., vol. 23, no. 2, pp. 1–8, 2023.

[8] Z. Sultana, A. Ferdousi, F. Tasnim, and L. Nahar, “An Improved K-Nearest Neighbor Algorithm for Pattern Classification,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 8, pp. 760–767, 2022, doi: 10.14569/IJACSA.2022.0130887.

[9] B. Luna-Benoso, J. C. Martínez-Perales, Ú. S. Morales-Rodríguez, R. Flores-Carapia, and V. M. Silva-García, “A New Classification Model Using a Decision Tree Generated from Hyperplanes in Dimensional Space,” Appl. Artif. Intell., vol. 38, no. 1, Dec. 2024, doi: 10.1080/08839514.2024.2426377.

[10] S. Lonang, A. Yudhana, and M. K. Biddinika, “Analisis Komparatif Kinerja Algoritma Machine Learning untuk Deteksi Stunting,” J. Media Inform. Budidarma, vol. 7, no. 4, p. 2109, 2023.

[11] M. R. Pratama and S. Irwandi, “Hubungan Pemberian ASI Eksklusif dengan Stunting di Puskesmas Hinai Kiri, Kecamatan Secanggang, Kabupaten Langkat,” J. Kedokt. STM (Sains dan Teknol. Med., vol. 4, no. 1, pp. 17–25, 2021.

[12] M. Nadeem, M. Anwar, S. Adil, W. Syed, M. B. A. Al-Rawi, and A. Iqbal, " The Association between Water, Sanitation, Hygiene, and Child Underweight in Punjab, Pakistan: An Application of Population Attributable Fraction," Journal of Multidisciplinary Healthcare., vol. 17, pp. 2475-2487, 2024, doi: 10.2147/JMDH.S461986

[13] F. Nurahadiyatika, D. R. Atmaka, and A. I. Imani, “Peningkatan Ketahanan Pangan dan Pengentasan Status Kemiskinan dalam Konvergensi Penurunan Angka Stunting,” Media Gizi Indones., vol. 17, pp. 215–220, 2022.

[14] M. Uskunia, N. Tameno, and N. T. Kiak, “Pengaruh Sosial Ekonomi Keluarga Dan Strategi Penanggulangan Stunting di Puskesmas Nurobo Kabupaten Malaka,” Monet. J. Ekon. dan Keuang., vol. 2, no. 2, pp. 254–264, 2024.

[15] I. P. Putri, T. Terttiaavini, and N. Arminarahmah, “Analisis Perbandingan Algoritma Machine Learning untuk Prediksi Stunting pada Anak,” Malcom Indones. J. Mach. Learn. Comput. Sci., vol. 4, no. 1, pp. 257–265, 2024.

[16] A. Prasatya and N. Hendrastuty, “Analisis Sentimen: Perbandingan Performa Algoritma Naive Bayes, Support Vector Machine, Random Forest, dan K-Nearest Neighbor Dalam Pemecatan Shin Tae Yong pada Media X,” Build. Informatics, Technol. Sci., vol. 6, no. 4, p. 2612−2623, 2025.

[17] P. Cunningham and S. J. Delany, “K-Nearest Neighbour Classifiers - A Tutorial,” ACM Comput Surv, vol. 54, no. 6, pp. 1–25, 2022.

[18] B. Charbuty and A. Abdulazeez, “Classification Based on Decision Tree Algorithm for Machine Learning,” J. Appl. Sci. Technol. Trends, vol. 2, no. 1, pp. 20–28, 2021.

[19] A. K. Iman and E. I. H. Ujianto, “Analisis Sentimen Pemindahan Ibu Kota Indonesia Menggunakan K-Nearest Neighbor,” J. Pendidik. dan Teknol. Indones., vol. 4, no. 12, pp. 759–768, 2025.