Deteksi Dini Stunting Balita Menggunakan Long Short-Term Memory Pada Data Posyandu Kabupaten Asahan: Penelitian

Rizky Riansyah Panjaitan; Suci Ramadani; Reni Surya Nanda; Dicky Apdillah

doi:10.31004/jerkin.v5i1.7286

Authors

Rizky Riansyah Panjaitan Universitas Asahan
Suci Ramadani Universitas Asahan
Reni Surya Nanda Universitas Asahan
Dicky Apdillah Universitas Asahan

DOI:

https://doi.org/10.31004/jerkin.v5i1.7286

Keywords:

Stunting; Deep Learning; LSTM; Posyandu; Deteksi Dini

Abstract

Stunting merupakan persoalan gizi bersifat kronis yang hingga kini masih menjadi beban kesehatan signifikan di berbagai daerah Indonesia, termasuk Kabupaten Asahan, Sumatera Utara. Survei Status Gizi Indonesia (SSGI) 2024 melaporkan prevalensi stunting nasional berada pada angka 21,5%. Guna menjawab persoalan tersebut, penelitian ini merancang sistem deteksi dini stunting yang memanfaatkan metode deep learning dengan arsitektur Long Short-Term Memory (LSTM), menggunakan data antropometri longitudinal dari 208 balita usia 0–59 bulan dengan enam kali pengukuran per balita, setara 1.248 rekaman, yang diperoleh dari posyandu di Kabupaten Asahan. Pembagian data dengan skema 80:20 per rekaman menghasilkan 998 data latih dan 250 data uji. Enam variabel input digunakan: usia, jenis kelamin, berat badan, tinggi/panjang badan, lingkar kepala, dan LILA. Pra-pemrosesan melibatkan normalisasi Min-Max, KNN Imputer, dan SMOTE (target=581, hasil=2.324 sampel latih). Model LSTM dengan dua hidden layer (128 dan 64 unit), aktivasi ReLU, dan Dropout 0,3 mencapai akurasi 93,60%, presisi 90,33%, recall 92,74%, serta F1-Score 91,34%, melampaui Random Forest (88,20%) dan SVM (87,40%).

References

M. Al-Husaini, I. Hoeronis, H. H. Lukmana, and L. D. Puspareni, "Early detection of stunting in toddlers based on ensemble machine learning in Purbaratu Tasikmalaya," JUSTIN, vol. 11, no. 3, pp. 487-495, 2023.

S. Hochreiter and J. Schmidhuber, "Long short-term memory," Neural Computation, vol. 9, no. 8, pp. 1735-1780, 1997.

N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, "SMOTE: Synthetic minority over-sampling technique," JAIR, vol. 16, pp. 321-357, 2002.

F. Febriyanti et al., "Akurasi dan presisi pengukuran antropometri balita oleh kader posyandu," Jurnal Kesehatan Masyarakat, vol. 13, no. 1, pp. 27-42, 2025.

I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge: MIT Press, 2016.

F. Chollet, Deep Learning with Python, 2nd ed. Shelter Island: Manning, 2021.

Kementerian Kesehatan RI, Survei Status Gizi Indonesia (SSGI) 2024. Jakarta: Kemenkes RI, 2024.

Kementerian Kesehatan RI, Peraturan Menteri Kesehatan RI No. 2 Tahun 2020 tentang Standar Antropometri Anak. Jakarta: Kemenkes RI, 2020.

D. P. Kingma and J. Ba, "Adam: A method for stochastic optimization," in Proc. ICLR 2015, 2015.

M. R. Nugroho, R. N. Sasongko, and M. Kristiawan, "Faktor-faktor yang mempengaruhi kejadian stunting pada anak usia dini di Indonesia," Jurnal Obsesi, vol. 5, no. 2, pp. 2269-2276, 2021.

Presiden Republik Indonesia, Peraturan Presiden No. 72 Tahun 2021 tentang Percepatan Penurunan Stunting. Jakarta: Setneg RI, 2021.

I. Rahmi, M. Susanti, H. Yozza, and F. Wulandari, "Classification of stunting in children under five using SVM," BAREKENG, vol. 16, no. 3, pp. 771-778, 2022.

M. A. Syakur et al., "Multiclass classification of toddler nutritional status using SVM," BIO Web of Conferences, vol. 146, p. 01082, 2024.

M. Sokolova and G. Lapalme, "A systematic analysis of performance measures for classification tasks," Inf. Process. Manag., vol. 45, no. 4, pp. 427-437, 2009.

World Health Organization, WHO Child Growth Standards: Methods and Development. Geneva: WHO Press, 2006.