Sistem Deteksi Stunting pada Balita Berbasis Web Menggunakan Metode Random Forest

Web-Based Stunting Detection System for Toddler Using Random Forest Method

Stunting adalah kondisi gagal tumbuh yang sering dialami oleh balita di Indonesia dan dapat berdampak negatif jangka panjang terhadap perkembangan fisik serta kognitif anak. Penelitian ini bertujuan untuk mengembangkan sistem deteksi stunting berbasis web menggunakan Random Forest, yang dikenal efektif dalam menangani data yang tidak seimbang. Dataset yang digunakan dalam penelitian ini berasal dari situs web Kaggle, yang terdiri dari 10.000 data balita di Indonesia. Metodologi yang digunakan adalah CRISP-DM, dengan tahapan mulai dari pemahaman bisnis hingga implementasi aplikasi web menggunakan Flask dan Railway untuk deployment. Evaluasi model dilakukan dengan menggunakan confusion matrix dan hasilnya menunjukkan bahwa model dengan tuning hyperparameter pada pembagian data 90:10 mencapai akurasi sebesar 85%. Model ini kemudian diintegrasikan ke dalam aplikasi web. Sistem yang dikembangkan menyediakan dua opsi deteksi, yaitu deteksi individu untuk mendeteksi status stunting pada satu anak, dan deteksi kelompok yang memungkinkan pengguna untuk mengunggah data beberapa anak sekaligus dalam bentuk file CSV. Aplikasi ini di-deploy menggunakan platform Railway yang memudahkan pengelolaan dan pemeliharaan aplikasi, serta memberikan kemampuan untuk melakukan update secara otomatis melalui GitHub. Diharapkan aplikasi ini dapat memberikan kontribusi dalam upaya deteksi dini stunting secara efektif dan efisien, terutama di daerah dengan akses layanan kesehatan yang terbatas.

Kata Kunci: Stunting, Random Forest, Deteksi dini, Aplikasi web, dan Balita.

Stunting is a growth failure condition commonly experienced by young children in Indonesia, with potential long-term negative effects on both physical and cognitive development. This study aims to develop a webbased stunting detection system using Random Forest, which is known for effectively handling imbalanced data. The dataset used in this study is sourced from Kaggle and includes 10,000 records of young children in Indonesia. The methodology follows CRISP-DM, starting from business understanding through to the implementation of a web application using Flask and deployed on Railway. Model evaluation was conducted using a confusion matrix, with results showing that a model with hyperparameter tuning on a 90:10 data split achieved an accuracy of 85%. This model was then integrated into the web application. The developed system offers two detection options: individual detection for identifying the stunting status of a single child, and group detection, which allows users to upload data for multiple children in CSV file format. The application is deployed on the Railway platform, which facilitates management and maintenance, and enables automatic updates via GitHub. It is hoped that this application can contribute to early stunting detection efforts effectively and efficiently, particularly in areas with limited access to healthcare services.

Keywords: Stunting, Random Forest, Early detection, Web application, and Toddlers