LetsGrow Health: Prediksi Risiko Stunting pada Anak Menggunakan Algoritma Random Forest Berbasis Data WHO
RIGGS: Journal of Artificial Intelligence and Digital Business · 19.05.2026 · 5 (2) · 3592-3599
DOI: 10.31004/riggs.v5i2.8721 ↗Kurz gefasst
Fachartikel in der Zeitschrift RIGGS: Journal of Artificial Intelligence and Digital Business, online erschienen am 19.05.2026. Verfasst von Riska Aini Putri und 5 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Stunting merupakan salah satu permasalahan gizi kronis yang masih menjadi tantangan serius di berbagai negara berkembang, termasuk Indonesia, karena berdampak pada pertumbuhan fisik, perkembangan kognitif, produktivitas, serta kualitas sumber daya manusia di masa depan. Kondisi ini terjadi akibat kekurangan gizi dalam jangka panjang yang dipengaruhi oleh berbagai faktor, seperti asupan nutrisi yang tidak memadai, pola asuh, sanitasi, serta akses layanan kesehatan. Oleh karena itu, diperlukan metode deteksi dini yang akurat, cepat, dan efisien untuk membantu mengidentifikasi risiko stunting sejak awal sehingga penanganan dapat dilakukan secara lebih optimal. Penelitian ini bertujuan untuk mengembangkan model prediksi risiko stunting berbasis machine learning menggunakan algoritma Random Forest berdasarkan data standar World Health Organization (WHO), serta merancang integrasinya ke dalam aplikasi mobile LetsGrow Health sebagai sarana edukasi dan deteksi dini bagi masyarakat. Dataset penelitian mencakup variabel usia, jenis kelamin, tinggi badan, dan berat badan anak. Data diproses melalui tahap pra-pemrosesan, meliputi perhitungan Z-score menggunakan metode LMS, pengkodean data, serta pelabelan otomatis sesuai klasifikasi WHO. Model kemudian dilatih dan dievaluasi menggunakan confusion matrix dan classification report untuk mengukur performa klasifikasi. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki performa yang sangat baik dengan tingkat akurasi sebesar 98%, presisi 90%, recall 98%, dan F1-score 94%. Temuan ini menunjukkan bahwa model mampu mendeteksi risiko stunting secara efektif dan berpotensi diterapkan pada aplikasi mobile guna mendukung upaya pencegahan stunting melalui deteksi dini dan peningkatan kesadaran masyarakat terhadap pentingnya pemenuhan gizi anak.
Zitieren
APA
Putri, R. A., Hadi, M. A., Maulana, F., Akram, D., Septianingrum, N., & Gunawan, G. (2026). LetsGrow Health: Prediksi Risiko Stunting pada Anak Menggunakan Algoritma Random Forest Berbasis Data WHO. RIGGS: Journal of Artificial Intelligence and Digital Business, 5(2), 3592-3599. https://doi.org/10.31004/riggs.v5i2.8721
Vancouver
Putri RA, Hadi MA, Maulana F, Akram D, Septianingrum N, Gunawan G. LetsGrow Health: Prediksi Risiko Stunting pada Anak Menggunakan Algoritma Random Forest Berbasis Data WHO. RIGGS: Journal of Artificial Intelligence and Digital Business. 2026;5(2):3592-3599. doi:10.31004/riggs.v5i2.8721
BibTeX
@article{Putri2026,
author = {Putri, Riska Aini and Hadi, Muhammad Abdul and Maulana, Fuad and Akram, Dzaky and Septianingrum, Nathasa and Gunawan, Gunawan},
title = {LetsGrow Health: Prediksi Risiko Stunting pada Anak Menggunakan Algoritma Random Forest Berbasis Data WHO},
journal = {RIGGS: Journal of Artificial Intelligence and Digital Business},
year = {2026},
volume = {5},
number = {2},
pages = {3592--3599},
doi = {10.31004/riggs.v5i2.8721}
}
EUVIMED