KLASIFIKASI EFEKTIVITAS RESPON INTERVENSI STUNTING DI DESA MENGGUNAKAN ALGORITMA DECISION TREE DAN RANDOM FOREST (STUDI KASUS: DATA KEMENTERIAN DESA PDTT 2023)

RIZQI, MUHAMMAD (2025) KLASIFIKASI EFEKTIVITAS RESPON INTERVENSI STUNTING DI DESA MENGGUNAKAN ALGORITMA DECISION TREE DAN RANDOM FOREST (STUDI KASUS: DATA KEMENTERIAN DESA PDTT 2023). Skripsi thesis, UPN "Veteran" Yogyakarta.

[thumbnail of 2_Cover_123190083_Muhammad Rizqi.pdf] Text
2_Cover_123190083_Muhammad Rizqi.pdf
Download (467kB)
[thumbnail of 3_Abstrak_123190083_Muhammad Rizqi.pdf] Text
3_Abstrak_123190083_Muhammad Rizqi.pdf
Download (342kB)
[thumbnail of 4_Halaman Pengesahan_123190083_Muhammad Rizqi.pdf] Text
4_Halaman Pengesahan_123190083_Muhammad Rizqi.pdf
Download (1MB)
[thumbnail of 5_Daftar Isi_123190083_Muhammad Rizqi.pdf] Text
5_Daftar Isi_123190083_Muhammad Rizqi.pdf
Download (479kB)
[thumbnail of 6_Daftar Pustaka_123190083_Muhammad Rizqi.pdf] Text
6_Daftar Pustaka_123190083_Muhammad Rizqi.pdf
Download (435kB)
[thumbnail of 1_Skripsi full_123190083_Muhammad Rizqi.pdf] Text
1_Skripsi full_123190083_Muhammad Rizqi.pdf
Restricted to Repository staff only
Download (6MB)
Official URL: https://upnyk.ac.id/

Abstract

Stunting merupakan salah satu masalah kesehatan yang menjadi fokus utama
pembangunan manusia di Indonesia. Kondisi ini ditandai dengan gangguan pertumbuhan
akibat kekurangan gizi kronis dan paparan infeksi berulang yang dialami anak dalam 1.000
Hari Pertama Kehidupan. Pemerintah melalui Kementerian Desa PDTT telah melakukan
berbagai intervensi untuk menurunkan angka stunting melalui pendekatan konvergensi
layanan desa. Namun, evaluasi efektivitas intervensi ini masih bersifat manual dan kualitatif
sehingga sulit dijadikan dasar kebijakan berbasis data. Oleh karena itu, penelitian ini
bertujuan untuk mengembangkan model klasifikasi efektivitas respon intervensi stunting
berbasis data layanan desa menggunakan pendekatan machine learning.
Penelitian ini menggunakan data sekunder dari Kementerian Desa PDTT tahun 2023
yang mencakup indikator layanan intervensi di tingkat desa. Setelah melalui tahap pra-
pemrosesan seperti pembersihan data, normalisasi kategorikal, dan pelabelan efektivitas,
data dianalisis menggunakan dua algoritma klasifikasi yaitu Decision Tree dan Random
Forest. Model dikembangkan dengan Python dan divisualisasikan dalam bentuk aplikasi
interaktif menggunakan framework Streamlit. Model kemudian dievaluasi menggunakan
metrik akurasi, precision, recall, f1-score, serta confusion matrix, dan dilengkapi dengan
interpretasi SHAP (SHapley Additive exPlanations) untuk menjelaskan kontribusi fitur
terhadap hasil klasifikasi.
Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan
performa yang lebih tinggi dibandingkan Decision Tree dalam mengklasifikasikan
efektivitas intervensi desa terhadap pencegahan stunting. Aplikasi Streamlit yang dibangun
mampu memfasilitasi input manual, visualisasi SHAP, dan evaluasi model secara interaktif.
Penelitian ini memberikan kontribusi nyata dalam penerapan machine learning untuk
mengevaluasi kebijakan berbasis data di sektor kesehatan masyarakat, khususnya di level
desa. Ke depannya, model ini dapat dikembangkan lebih lanjut dengan data tambahan dan
algoritma yang lebih kompleks untuk meningkatkan ketepatan klasifikasi.
Kata Kunci: stunting, decision tree, random forest, klasifikasi, desa, konvergensi, machine
learning, SHAP

Item Type: Tugas Akhir (Skripsi)
Additional Information: MUHAMMAD RIZQI (123190083) ; Bagus Muhammad Akbar (Pembimbing)
Uncontrolled Keywords: stunting, decision tree, random forest, klasifikasi, desa, konvergensi, machine learning, SHAP
Subjek: Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources
Divisions: Fakultas Teknik Industri > (S1) Informatika
Depositing User: Indah Lestari
Date Deposited: 21 Nov 2025 07:58
Last Modified: 21 Nov 2025 07:58
URI: http://eprints.upnyk.ac.id/id/eprint/45690

Actions (login required)

View Item View Item