PERBANDINGAN METODE SUPERVISED MACHINE LEARNING DALAM PREDIKSI PREVALENSI STUNTING DI PROVINSI SUMATERA UTARA

Stunting adalah gangguan tumbuh kembang anak yang diakibatkan oleh kekurangan gizi kronis serta infeksi yang berulang. Stunting memiliki dampak jangka pendek, dan panjang yang signifikan dan merupakan salah satu masalah di bidang kesehatan yang saat ini sedang dihadapi oleh masyarakat Indonesia. Provinsi Sumatera Utara memiliki nilai prevalensi stunting sebesar 18,9% Pemerintah Provinsi Sumatera Utara memiliki target untuk menurunkan prevalensi stunting pada tahun 2024 menjadi 14%. Penelitian ini bertujuan untuk membandingkan kinerja beberapa metode supervised machine learning dalam memprediksi prevalensi stunting di Provinsi Sumatera Utara. Data yang digunakan adalah data sekunder dari tahun 2021 hingga 2023 yang mencakup 33 kabupaten/kota di provinsi tersebut. Penelitian ini mengevaluasi tiga model machine learning, yaitu Support Vector Regression (SVR), Decision Tree, dan Random Forest, dengan menggunakan metrik evaluasi seperti Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa SVR unggul pada wilayah dengan data yang terstruktur, seperti Kabupaten Karo (MSE: 1.24E-05, MAPE: 0.014%), sementara Random Forest menunjukkan performa terbaik pada wilayah dengan kompleksitas data yang tinggi, seperti Kabupaten Nias Barat (MSE: 1.26E-29, MAPE: 1.23E-14%). Di sisi lain, Decision Tree memberikan hasil baik pada wilayah dengan pola data sederhana, seperti Kabupaten Simalungun (MSE: 0.09, MAPE: 1.69%). Namun, beberapa wilayah seperti Kabupaten Padang Lawas menunjukkan nilai MSE yang sangat tinggi (MSE: 13,972.31, menggunakan SVR, yang disebabkan oleh distribusi data yang tidak merata antar tahun. Penelitian ini memberikan kontribusi pada literatur terkait penggunaan model pembelajaran mesin dalam prediksi stunting dan menawarkan implikasi praktis untuk mendukung pengambilan kebijakan kesehatan berbasis data. Penelitian lanjutan disarankan untuk mengeksplorasi variabel tambahan, model pembelajaran mesin yang lebih canggih, serta analisis spasial dan temporal untuk meningkatkan akurasi prediksi.