PREDIKSI STUNTING PADA BALITA MENGGUNAKAN METODE DEEP NEURAL NETWORK (DNN)

Amaliyah, Sholehatul (2024) PREDIKSI STUNTING PADA BALITA MENGGUNAKAN METODE DEEP NEURAL NETWORK (DNN). Other thesis, UNIVERSITAS NURUL JADID.

Text Skripsi_2021400273_Sholehatul Amaliyah_IF.pdf Restricted to Registered users only Download (3MB)

Abstract

Amaliyah, Sholehatul. 2024. Prediksi Stunting Pada Balita Menggunakan Metode Deep Neural Network (DNN). Skripsi, Prodi Informatika, Fakultas Teknik, Universitas Nurul Jadid Paiton Probolinggo. Pembimbing: (I) Sudriyanto, M.Kom., (II) Syaiful, M.Kom.

Kata Kunci: Stunting, Deep Neural Network (DNN), Prediksi, Balita, Streamlit.

Stunting merupakan masalah gizi kronis yang menjadi tantangan besar bagi tumbuh kembang balita di negara berkembang, termasuk Indonesia. Penelitian ini bertujuan untuk membangun model prediksi risiko stunting pada balita dengan menerapkan metode Deep Neural Network (DNN). Pemilihan DNN didasari oleh kemampuannya yang unggul dalam memodelkan hubungan non-linear yang kompleks antara berbagai faktor risiko kesehatan. Dataset yang digunakan dalam penelitian ini diperoleh dari platform Kaggle, mencakup 2.500 entri data balita dengan variabel kunci seperti umur, jenis kelamin, tinggi badan, dan status gizi. Tahapan penelitian meliputi pra-pemrosesan data melalui konversi variabel kategorikal dan standarisasi fitur untuk meningkatkan performa model. Model DNN dilatih menggunakan Google Colab dan dievaluasi melalui metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model DNN mampu mencapai tingkat akurasi yang sangat tinggi, yaitu sebesar 99% pada data uji. Sebagai implementasi praktis, model ini diintegrasikan ke dalam aplikasi web berbasis Streamlit yang memungkinkan pengguna melakukan prediksi risiko stunting secara real-time. Penelitian ini menyimpulkan bahwa metode DNN sangat efektif dan akurat dalam mendeteksi risiko stunting, sehingga dapat menjadi alat bantu strategis dalam upaya pencegahan dan intervensi dini bagi kesehatan balita.

Item Type:	Thesis (Other)
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software R Medicine > RA Public aspects of medicine R Medicine > RJ Pediatrics
Divisions:	Fakultas Teknik > S1 Teknik Informatika
Depositing User:	Saiful Ghazi
Date Deposited:	30 Apr 2026 04:00
Last Modified:	30 Apr 2026 04:00
URI:	https://repository.unuja.ac.id/id/eprint/3286

Actions (login required)

View Item