MODEL KECERDASAN BUATAN UNTUK MEMPREDIKSI MALNUTRISI ANAK DAN MENDUKUNG PERANCANGAN KEBIJAKAN MAKANAN BERGIZI GRATIS

Abstrak

Malnutrisi pada anak masih menjadi permasalahan kesehatan masyarakat yang signifikan di Indonesia, khususnya di wilayah pesisir dan perdesaan. Identifikasi dini kelompok berisiko menjadi langkah krusial untuk meningkatkan efektivitas intervensi gizi, termasuk Program Makanan Bergizi Gratis (MBG). Penelitian ini bertujuan mengembangkan model prediksi risiko malnutrisi anak berbasis kecerdasan buatan menggunakan algoritma Random Forest serta menganalisis determinan utama yang memengaruhi risiko malnutrisi di Kabupaten Pesisir Selatan. Penelitian menggunakan pendekatan kuantitatif deskriptif dengan pengembangan model prediktif berbasis machine learning. Data sekunder diperoleh dari Badan Pusat Statistik (BPS), Dinas Kesehatan, dan Posyandu. Tahapan penelitian meliputi pra-pemrosesan data, pelatihan model Random Forest, dan evaluasi kinerja menggunakan confusion matrix, akurasi, precision, recall, serta K-fold cross-validation. Hasil evaluasi menunjukkan kinerja model yang baik dengan akurasi sebesar 83,5%, precision 0,81, dan recall 0,85. Analisis pentingnya variabel menunjukkan bahwa proporsi masyarakat tidak mampu merupakan faktor paling dominan yang memengaruhi risiko malnutrisi (28,9%), diikuti oleh tingkat partisipasi pendidikan menengah (SMP dan SMA). Pemetaan spasial mengungkapkan konsentrasi risiko tinggi di beberapa kecamatan, terutama Kambang, Salido, dan IV Koto Mudik. Secara keseluruhan, model prediksi berbasis Random Forest terbukti akurat dan aplikatif dalam mengidentifikasi wilayah serta kelompok berisiko, sehingga berpotensi meningkatkan ketepatan sasaran dan efisiensi pelaksanaan Program MBG.