Penerapan metode Support Vector Machine dengan pendekatan Multiple Kernel Learning untuk klasifikasi stunting berbasis web

INDONESIA:

Stunting merupakan kondisi gagal tumbuh pada anak balita akibat kekurangan gizi kronis yang berdampak pada perkembangan fisik dan kognitif secara jangka panjang. Prevalensi stunting di Indonesia masih mencapai 19,8% pada tahun 2024, dan metode deteksi konvensional berbasis pengukuran antropometri manual di Posyandu dinilai rentan terhadap kesalahan subjektif serta lambat dalam pemrosesan data. Penelitian ini menerapkan algoritma Support Vector Machine (SVM) dengan pendekatan Multiple Kernel Learning (MKL) yang menggabungkan kernel Linear dan Radial Basis Function (RBF) untuk mengklasifikasikan status stunting pada anak balita secara otomatis dan berbasis web. Data yang digunakan bersumber dari Indonesian Family Life Survey gelombang kelima (IFLS-5) dengan sembilan fitur input, meliputi jenis kelamin, umur, tinggi badan, berat badan, pendidikan ibu, status perawatan makanan, status perawatan kesehatan, penerimaan vitamin A, dan imunisasi rotavirus. Optimasi hyperparameter dilakukan menggunakan grid search yang dipadukan dengan validasi silang 10-fold, menghasilkan konfigurasi terbaik pada nilai C=10, gamma=0,1, dan beta=0,5. Model dengan sembilan fitur mencapai akurasi sebesar 98,29%, F1-score 98,02%, dan AUC 0,998. Analisis Permutation Feature Importance melalui algoritma Kneedle mengidentifikasi bahwa hanya tiga fitur antropometri inti, yaitu umur per bulan, tinggi badan, dan jenis kelamin, yang paling dominan, dan model dengan tiga fitur tersebut justru mencapai akurasi 99,3%, F1-score 99,4%, serta AUC sempurna 1,000. Model SVM-MKL kemudian diintegrasikan ke dalam aplikasi berbasis web menggunakan Flask dan MySQL untuk mendukung deteksi dini stunting yang mudah diakses oleh tenaga kesehatan di lapangan.

ENGLISH:

Stunting is a growth failure condition in children under five caused by chronic malnutrition that has long-term consequences on physical and cognitive development. The prevalence of stunting in Indonesia reached 19.8% in 2024, while conventional detection methods based on manual anthropometric measurements at Posyandu health posts remain prone to subjective errors and slow data processing. This study applies the Support Vector Machine (SVM) algorithm with a Multiple Kernel Learning (MKL) approach, combining Linear and Radial Basis Function (RBF) kernels, to automatically classify stunting status in children under five through a web-based system. The data used in this study were sourced from the fifth wave of the Indonesian Family Life Survey (IFLS-5), incorporating nine input features comprising gender, age, height, weight, maternal education, food care status, health care status, vitamin A supplementation, and rotavirus immunization. Hyperparameter optimization was conducted using grid search combined with 10-fold cross-validation, yielding the best configuration at C=10, gamma=0.1, and beta=0.5. The nine-feature model achieved an accuracy of 98.29%, an F1-score of 98.02%, and an AUC of 0.998. Permutation Feature Importance analysis using the Kneedle algorithm identified that only three core anthropometric features; age in months, height, and gender were the most dominant predictors, and the three-feature model achieved an even higher accuracy of 99.3%, F1-score of 99.4%, and a perfect AUC of 1.000. The SVM-MKL model was subsequently integrated into a web-based application built with Flask and MySQL to support accessible early detection of stunting for health workers in the field.

ARABIC:

التقزُّم هو حالة فشل النمو لدى الأطفال دون سن الخامسة الناجمة عن سوء التغذية المزمن، مما يُخلِّف آثاراً بعيدة المدى على النمو الجسدي والمعرفي. بلغت نسبة انتشار التقزُّم في إندونيسيا% 19.8 في عام 2024، في حين لا تزال أساليب الكشف التقليدية القائمة على القياسات الأنثروبومترية اليدوية في مراكز بوسياندو الصحية عُرضةً للأخطاء الذاتية وبطء معالجة البيانات. تُطبِّق هذه الدراسة خوارزمية آلة المتجهات الداعمة (SVM) بمنهجية التعلُّم متعدد النوى (MKL)، التي تجمع بين النواة الخطية (Linear) ونواة دالة الأساس الشعاعي (RBF)، بهدف تصنيف حالات التقزُّم لدى الأطفال دون سن الخامسة بصورة آلية عبر نظام قائم على الويب. استُقيت البيانات المستخدمة في هذه الدراسة من الموجة الخامسة لمسح الحياة الأسرية الإندونيسي (IFLS-5)، وتشمل تسع سمات مدخلة هي: الجنس، والعمر، والطول، والوزن، ومستوى تعليم الأم، وحالة الرعاية الغذائية، وحالة الرعاية الصحية، وتلقِّي مكمِّلات فيتامين أ، والتطعيم ضد فيروس الروتا. جرى تحسين المعاملات الفائقة باستخدام البحث الشبكي (Grid Search) مقروناً بالتحقق المتقاطع العشري الطيَّات (10-Fold Cross-Validation)، وأسفر ذلك عن أفضل تهيئة عند القيم C=10 وgamma=0.1 وbeta=0.5. حقَّق النموذج المؤلَّف من تسع سمات دقةً بلغت% 98.29، ودرجة F1 بلغت% 98.02، ومساحةً تحت منحنى ROC (AUC) بلغت 0.998. كشف تحليل أهمية السمات بالتبديل (Permutation Feature Importance) عبر خوارزمية Kneedle أن ثلاث سمات أنثروبومترية أساسية فحسب وهي العمر بالأشهر، والطول، والجنس هي الأكثر تأثيراً، إذ حقَّق النموذج المقتصر على هذه السمات الثلاث دقةً أعلى بلغت% 99.3، ودرجة F1 بلغت% 99.4، ومساحةً تحت المنحنى مثالية قدرها 1.000. وقد جرى دمج نموذج SVM-MKL في تطبيق قائم على الويب مبنيٍّ باستخدام Flask وMySQL، لدعم الكشف المبكر عن التقزُّم بصورة يسيرة الوصول لدى العاملين في مجال الصحة في الميدان.