Sugiarta, I Gusti Putu Oka (2025) Implementasi Web-Based Algoritma Recurrent Neural Network dengan Optimasi Simulated Annealing Untuk Prediksi Stunting di Kecamatan Seririt. Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2113101014-COVER.pdf Download (12MB) |
|
Text (ABSTRAK)
2113101014-ABSTRAK.pdf Download (223kB) |
|
Text (BAB 1 PENDAHULUAN)
2113101014-BAB 1 PENDAHULUAN.pdf Download (217kB) |
|
Text (BAB 2 KAJIAN TEORI)
2113101014-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (651kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2113101014-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (587kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2113101014-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (2MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2113101014-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (204kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2113101014-DAFTAR PUSTAKA.pdf Download (209kB) |
|
Text (LAMPIRAN)
2113101014-LAMPIRAN.pdf Download (17MB) |
Abstract
Stunting merupakan masalah gizi kronis yang menjadi tantangan besar dalam kesehatan anak di Indonesia. Deteksi dini sangat penting untuk mencegah dampak jangka panjang seperti gangguan pertumbuhan fisik dan perkembangan kognitif. Penelitian ini bertujuan untuk mengembangkan aplikasi web berbasis algoritma Recurrent Neural Network (RNN) yang dioptimalkan menggunakan Simulated Annealing (SA) untuk memprediksi risiko stunting pada balita. Data yang digunakan dikumpulkan dari Puskesmas Seririt 1 dan Seririt 2 dengan total 2.598 data balita. Model RNN dilatih untuk mengekstraksi pola dari faktor-faktor penyebab stunting seperti jenis kelamin, usia, status ekonomi, pendidikan Ibu, dan status gizi. SA digunakan untuk menemukan parameter optimal model guna meningkatkan akurasi prediksi. Hasil evaluasi menunjukkan bahwa model RNN dengan optimasi SA mencapai akurasi sebesar 98,85%, precision 98,81%, recall 98,85%, dan F1-Score 98,81%. aplikasi yang dikembangkan dirancang responsif dan mudah digunakan oleh tenaga kesehatan maupun orang tua. Dengan adanya sistem ini, diharapkan dapat membantu pemerintah daerah dalam memantau dan mencegah kasus stunting secara lebih efektif.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Stunting, Recurrent Neural Network, Simulated Annealing, Prediksi, Machine Learning, Web Application, Deteksi Dini |
| Subjects: | Q Science > QA Mathematics Q Science > QA Mathematics > QA76 Computer software |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Jurusan Matematika > Program Studi Matematika (S1) |
| Depositing User: | I Gusti Putu Oka Sugiarta |
| Date Deposited: | 24 Jul 2025 07:51 |
| Last Modified: | 24 Jul 2025 07:51 |
| URI: | http://repo.undiksha.ac.id/id/eprint/25966 |
Actions (login required)
 |
View Item |