Mulai Prediksi

Dashboard

Ringkasan sistem deteksi stunting balita menggunakan algoritma K-Nearest Neighbors

Mulai Prediksi
Sistem Deteksi Stunting Berbasis AI

Deteksi Dini Stunting
pada Balita

Sistem ini menggunakan algoritma K-Nearest Neighbors (KNN) untuk mendeteksi status gizi balita berdasarkan umur, jenis kelamin, dan tinggi badan sesuai standar WHO. Dilatih pada 10.000 data dengan akurasi 97.5%.

Cek Status Gizi Balita
10,000 Data Training
97.5% Akurasi Model
K = 4 K Optimal
4 Kelas Label
Deteksi Stunting
Total Data
10,000
baris training
Akurasi KNN
97.5%
data testing
K Optimal
4
tetangga terdekat
Kelas Label
4
kategori status
Tingkat Stunting
50.0%
dari data training
Distribusi Kelas Label
Stunted 2,500 (25.0%)
Tinggi 2,500 (25.0%)
Normal 2,500 (25.0%)
Severely Stunted 2,500 (25.0%)
Mengapa Distribusi Seimbang?

Dataset menggunakan teknik stratified sampling agar model KNN tidak bias. Setiap kelas mendapat 2.500 baris data yang sama banyaknya.

Gabungan Severely Stunted dan Stunted mencapai 50.0% — menunjukkan betapa pentingnya deteksi dini stunting pada balita Indonesia.

Total data training 10,000 baris
Proporsi Kelas Data Training
Catatan: Keempat kelas memiliki jumlah data yang sama (masing-masing 25%). Distribusi seimbang memastikan model KNN tidak condong ke satu kelas sehingga prediksi adil untuk semua status gizi balita. Teknik ini disebut stratified sampling.
Distribusi Status Gizi per Kelompok Umur Grouped Bar Chart
Catatan: Grafik menunjukkan sebaran status gizi berdasarkan kelompok usia balita. 1.000 hari pertama kehidupan adalah masa kritis untuk mencegah stunting sejak dini. Perhatikan warna merah dan oranye di setiap kelompok umur untuk mengetahui prevalensi stunting.
Penjelasan Label Status Gizi
Severely Stunted
Tinggi badan kurang dari -3 SD dari median WHO. Stunting sangat berat, perlu penanganan medis segera.
Stunted
Tinggi badan antara -3 SD sampai -2 SD dari median WHO. Perlu intervensi gizi intensif.
Normal
Tinggi badan antara -2 SD sampai +2 SD dari median WHO. Pertumbuhan sesuai standar.
Tinggi
Tinggi badan lebih dari +2 SD dari median WHO. Pertumbuhan di atas rata-rata, sangat baik.
SD = Standard Deviation (Simpangan Baku)

Standar WHO menggunakan nilai SD untuk membandingkan tinggi badan anak dengan populasi anak sehat seusia dan sejenis kelamin. Semakin jauh di bawah 0 SD, semakin pendek dibanding rata-rata.

Cara Kerja Algoritma KNN (K=4)
1
Input Data

Masukkan umur, jenis kelamin, dan tinggi badan balita

2
Normalisasi

Fitur dinormalisasi ke [0,1] dengan MinMaxScaler

3
Hitung Jarak

Hitung jarak Euclidean ke semua data training

4
Voting

Kelas mayoritas dari 4 tetangga jadi hasil

Formula Jarak Euclidean
d(x,y) = √ Σ (x⊂i − y⊂i)²
x = data input baru, y = data training, dihitung untuk semua fitur yang sudah dinormalisasi.
Mengapa KNN untuk Deteksi Stunting?

KNN cocok karena data stunting memiliki pola yang jelas berdasarkan umur dan tinggi badan. Dengan K=4 dan akurasi 97.5%, model ini sangat efektif untuk klasifikasi status gizi balita Indonesia.