Electronic Resource
Optimasi Model Logistic Regression Untuk Analisis Resiko Stunting Pada Anak Menggunakan Grid Search
Stunting masih menjadi salah satu permasalahan kesehatan serius di
Indonesia, terutama pada anak-anak usia dini. Masalah ini tidak hanya berdampak
pada pertumbuhan fisik, tetapi juga pada perkembangan kognitif anak. Penelitian
ini bertujuan untuk membangun model prediksi risiko stunting menggunakan
algoritma Logistic Regression, yang kemudian dioptimasi menggunakan metode
Grid Search guna meningkatkan akurasi prediksi. Data yang digunakan berasal
dari platform Kaggle dengan jumlah 10.000 entri yang mencakup atribut seperti
jenis kelamin, usia, berat lahir, panjang lahir, berat badan, tinggi badan, status
menyusui, dan status stunting. Data dibagi dalam tiga skenario proporsi pelatihan
dan pengujian: 70:30, 80:20, dan 90:10. Hasil pengujian menunjukkan bahwa
model Logistic Regression tanpa optimasi menghasilkan akurasi berturut-turut
sebesar 72,89%, 72,49%, dan 72,69%. Setelah dilakukan optimasi dengan Grid
Search, akurasi meningkat menjadi 77,93%, 78,00%, dan 76,10%. Hasil ini
membuktikan bahwa Grid Search mampu secara signifikan meningkatkan
performa model dalam mengklasifikasikan risiko stunting. Dengan akurasi yang
lebih tinggi, model ini dapat digunakan sebagai alat bantu dalam mendeteksi
risiko stunting secara lebih dini dan akurat, serta berpotensi mendukung
pengambilan kebijakan yang lebih efektif di bidang kesehatan masyarakat.
| SB00898S | KKI 001.6 SAH o/s | Perpustakaan Unikama | Tersedia |
Tidak tersedia versi lain