Repository logo
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Suomi
  • Svenska
  • Türkçe
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Yкраї́нська
  • Log In
    New user? Click here to register.Have you forgotten your password?
Repository logo
  • Communities & Collections
  • All of DSpace
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Suomi
  • Svenska
  • Türkçe
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Yкраї́нська
  • Log In
    New user? Click here to register.Have you forgotten your password?
  1. Home
  2. Browse by Author

Browsing by Author "Anggraeni, Mega Maudi"

Now showing 1 - 1 of 1
Results Per Page
Sort Options
  • Loading...
    Thumbnail Image
    Item
    IMPLEMENTASI EXPLORATORY DATA ANALYSIS DAN LOGISTIC REGRESSION UNTUK PREDIKSI DAN KLASIFIKASI TINGKAT STUNTING PADA BALITA DI JAWA BARAT
    (Program Studi S1 Informatika, 2025) Anggraeni, Mega Maudi; Ulil Surtia Zulpratita (Pembimbing)
    Tingginya angka stunting balita di Provinsi Jawa Barat menjadi permasalahan serius yang memerlukan pendekatan berbasis data dalam upaya pencegahan dan penanganannya. Penelitian ini bertujuan untuk membangun sistem prediksi dan klasifikasi tingkat stunting balita menggunakan algoritma Logistic regression, serta menyajikan hasil analisis secara visual melalui sistem informasi berbasis web. Data yang digunakan berupa jumlah bayi lahir dan jumlah balita stunting di 27 kabupaten/kota selama periode 2020–2024, yang diperoleh dari portal Open Data Jabar. Penelitian ini mencakup tahapan Exploratory Data Analysis (EDA), agregasi data dari tingkat kecamatan ke kabupaten/kota, perhitungan persentase stunting, serta pembangunan model klasifikasi biner berdasarkan ambang batas 10% untuk membedakan kategori stunting rendah dan tinggi. Hasil evaluasi model menunjukkan akurasi sebesar 96,3%, dengan nilai f1- score sebesar 0,97 untuk kategori rendah dan 0,96 untuk kategori tinggi. Model juga memiliki kemampuan identifikasi wilayah prioritas dengan recall 1,00 pada kategori tinggi. Sistem yang dibangun dilengkapi fitur visualisasi interaktif yang menampilkan tren stunting per kabupaten/kota dari tahun ke tahun, dan juga menyediakan prediksi kondisi tahun 2025 berdasarkan rata-rata persentase stunting lima tahun sebelumnya. Temuan ini menunjukkan bahwa penerapan machine learning dapat menjadi alat bantu yang efektif dalam mendukung pengambilan Keputusan untuk pencegahan stunting yang lebih terarah dan berbasis data.

PTI copyright © 2002-2026

  • Cookie settings
  • Privacy policy
  • End User Agreement
  • Send Feedback