Klasifikasi Tumbuh Kembang Balita Berdasarkan KPSP Menggunakan Random Forest pada Sistem Berbasis Web
Abstract
Penyimpangan tumbuh kembang balita yang tidak terdeteksi dini berdampak permanen terhadap kualitas hidup anak. Kuesioner Pra Skrining Perkembangan (KPSP) merupakan instrumen standar deteksi dini, namun pelaksanaannya di lapangan masih manual sehingga data skrining tidak dimanfaatkan secara longitudinal, tidak teragregasi antar fasilitas, dan interpretasinya terbatas pada ambang skor tanpa penjelasan. Penelitian ini mengembangkan sistem berbasis web yang mengaugmentasi interpretasi KPSP menggunakan algoritma Random Forest yang dilengkapi penjelasan keputusan melalui metode Shapley Additive exPlanations (SHAP). Model dilatih menggunakan data sintetis berbasis aturan Permenkes 66/2014 sebanyak 4.800 baris dan divalidasi pada 105 data primer skrining kelompok usia enam bulan dari Puskesmas Ciampel. Konfigurasi hyperparameter ditetapkan berdasarkan praktik yang mapan dan diverifikasi melalui grid search dengan validasi silang lima lipatan. Model mencapai akurasi 0,8827 dan F1-macro 0,8580 pada data uji, dengan seluruh kesalahan klasifikasi hanya bergeser satu tingkat ke kelas yang bersebelahan; pada data primer, prediksi model konsisten dengan penilaian tenaga kesehatan. Sistem menyajikan hasil dalam tiga lapisan keluaran, yaitu hasil per-skrining beserta penjelasan SHAP, trajektori longitudinal per anak, dan rekap agregat tingkat fasilitas. Hasil menunjukkan bahwa augmentasi machine learning dapat memperkaya interpretasi KPSP tanpa menggantikan peran instrumen maupun tenaga kesehatan.
Downloads
References
World Health Organization, World Health Statistics 2018: Monitoring Health for the SDGs. Geneva: World Health Organization, 2018.
Kementerian Kesehatan Republik Indonesia, Profil Kesehatan Indonesia Tahun 2020. Jakarta: Kementerian Kesehatan Republik Indonesia, 2021.
Badan Penelitian dan Pengembangan Kesehatan, Laporan Nasional Riskesdas 2018. Jakarta: Lembaga Penerbit Balitbangkes, 2019.
World Health Organization and United Nations Children's Fund, Global Report on Children with Developmental Disabilities. Geneva: World Health Organization, 2023.
Kementerian Kesehatan Republik Indonesia, Peraturan Menteri Kesehatan Republik Indonesia Nomor 66 Tahun 2014 tentang Pemantauan Pertumbuhan, Perkembangan, dan Gangguan Tumbuh Kembang Anak. Jakarta: Kementerian Kesehatan Republik Indonesia, 2014.
N. Apriningrum, Carudin, and M. A. Rahayu, "Rancang bangun aplikasi KPSP berbasis Android bagi anak balita sampai pra sekolah di Kabupaten Karawang," JUSTIN (Jurnal Sistem dan Teknologi Informasi), vol. 6, no. 4, pp. 200–204, 2018, doi: 10.26418/justin.v6i4.27385.
Z. I. Bimawan, T. Astuti, and P. Arsi, "Comparison of random forest, K-nearest neighbor, decision tree, and XGBoost algorithms for detecting stunting in toddlers," Jurnal Teknik Informatika (JUTIF), vol. 5, no. 6, pp. 1599–1607, 2024, doi: 10.52436/1.jutif.2024.5.6.2629.
A. M. Majid and I. Nawangsih, "Penerapan explainable AI dan model stacking untuk mengidentifikasi faktor risiko stunting balita," Progresif: Jurnal Ilmiah Komputer, vol. 22, no. 1, 2026, doi: 10.35889/progresif.v22i1.3549.
L. Breiman, "Random forests," Machine Learning, vol. 45, no. 1, pp. 5–32, 2001, doi: 10.1023/A:1010933404324.
S. M. Lundberg and S.-I. Lee, "A unified approach to interpreting model predictions," in Advances in Neural Information Processing Systems 30 (NIPS 2017), 2017, pp. 4765–4774.
R. Wirth and J. Hipp, "CRISP-DM: Towards a standard process model for data mining," in Proc. 4th Int. Conf. Practical Applications of Knowledge Discovery and Data Mining, 2000, pp. 29–39.
R. J. Chen, M. Y. Lu, T. Y. Chen, D. F. K. Williamson, and F. Mahmood, "Synthetic data in machine learning for medicine and healthcare," Nature Biomedical Engineering, vol. 5, no. 6, pp. 493–497, 2021, doi: 10.1038/s41551-021-00751-8.
T. van der Ploeg, P. C. Austin, and E. W. Steyerberg, "Modern modelling techniques are data hungry: A simulation study for predicting dichotomous endpoints," BMC Medical Research Methodology, vol. 14, art. 137, 2014, doi: 10.1186/1471-2288-14-137.
H. He and E. A. Garcia, "Learning from imbalanced data," IEEE Transactions on Knowledge and Data Engineering, vol. 21, no. 9, pp. 1263–1284, 2009, doi: 10.1109/TKDE.2008.239.
R. Kohavi, "A study of cross-validation and bootstrap for accuracy estimation and model selection," in Proc. 14th Int. Joint Conf. Artificial Intelligence (IJCAI), 1995, pp. 1137–1143.
P. Probst, M. N. Wright, and A.-L. Boulesteix, "Hyperparameters and tuning strategies for random forest," WIREs Data Mining and Knowledge Discovery, vol. 9, no. 3, art. e1301, 2019, doi: 10.1002/widm.1301.
T. M. Oshiro, P. S. Perez, and J. A. Baranauskas, "How many trees in a random forest?," in Machine Learning and Data Mining in Pattern Recognition (LNCS 7376). Berlin: Springer, 2012, pp. 154–168.
T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. New York, NY: Springer, 2009.
M. H. P. Andriano, E. Purwanto, and D. Hartanti, "Sistem untuk monitoring data tumbuh kembang anak menggunakan klasifikasi decision tree di PAUD IT Nur Hidayah," in Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2025, Surakarta, 2025, pp. 290–297.
I. M. Rahayu, A. Yusuf, and M. Ridwan, "Prediksi kesiapan sekolah menggunakan machine learning berbasis kombinasi Adam dan Nesterov Momentum," Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 6, pp. 1273–1280, 2022.
I. Sommerville, Software Engineering, 9th ed. Boston, MA: Addison-Wesley, 2011.
D. Duei Putri, G. F. Nama, and W. E. Sulistiono, "Analisis sentimen kinerja Dewan Perwakilan Rakyat (DPR) pada Twitter menggunakan metode Naive Bayes Classifier," JITET (Jurnal Informatika dan Teknik Elektro Terapan), vol. 10, no. 1, pp. 34–40, 2022, doi: 10.23960/jitet.v10i1.2262.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
