SISTEM PENDUKUNG KEPUTUSAN CERDAS SPASIAL STUNTING DI PROVINSI NTT DENGAN DEEP LEARNING
DOI:
https://doi.org/10.52972/hoaq.vol15no2.p88-99Keywords:
SPK, Stunting, Sistem Cerdas, Spasial, Deep Learning, CNN, LSTM, R-NNAbstract
Stunting, sebagai masalah kesehatan masyarakat yang kompleks, terus menjadi perhatian serius di Provinsi Nusa Tenggara Timur (NTT). Untuk mengatasi tantangan ini, pengembangan Sistem Pendukung Keputusan (SPK) yang cerdas dan responsif terhadap aspek spasial menjadi esensial. Dalam konteks ini, kami mengusulkan sebuah sistem inovatif yang mengintegrasikan Deep Learning dengan SPK untuk menangani masalah stunting di NTT. Penelitian ini bertujuan untuk mengembangkan sebuah Sistem Pendukung Keputusan Cerdas Spasial (SPKCS) dengan menggunakan metode Moora dan Vikor yang memberikan pemahaman yang lebih baik tentang faktor-faktor spasial yang berkaitan dengan kejadian stunting di NTT. Dengan mengunakan pendekatan data spasial, termasuk data geografis, demografis, dan lingkungan, untuk menerapkan teknik Deep Learning untuk menganalisis pola spasial yang kompleks. Metodologi penelitian melibatkan pengumpulan data spasial dari berbagai sumber, termasuk data survei kesehatan masyarakat, data geografis, dan data lingkungan. Selanjutnya dengan penerapan MOORA dan VIKOR dan juga menggunakan Deep Learning, dengan CNN, RNN dan LSTM untuk mengolah data dan mengidentifikasi pola spasial yang berkaitan dengan kejadian stunting. Hasil dari penelitian ini menghasillan pemetaan spasial dengan nilai prefelensi stunting di NTT. Dengan nilai rata-rata pada Sensitivitas 84,05%, Spesitivitas 83,12%, Accuracy 83,55%.
Stunting, as a complex public health problem, continues to be a serious concern in East Nusa Tenggara (NTT) Province. To address this challenge, the development of an intelligent and spatially responsive Decision Support System (SDM) is essential. In this context, we propose an innovative system that integrates Deep Learning with GIS to address the problem of stunting in NTT. This research aims to develop a Spatially Intelligent Decision Support System (SPKCS) using the Moora and Vikor methods that provides a better understanding of the spatial factors associated with the incidence of stunting in NTT. By using spatial data approaches, including geographic, demographic, and environmental data, to apply Deep Learning techniques to analyze complex spatial patterns. The research methodology involved collecting spatial data from various sources, including public health survey data, geographic data, and environmental data. Furthermore, the application of MOORA and VIKOR and also using Deep Learning, with CNN, RNN and LSTM to process the data and identify spatial patterns related to the incidence of stunting. The results of this study resulted in spatial mapping with stunting prevalence values in NTT. With an average value on Sensitivity 84.05%, Specitivity 83.12%, Accuracy 83.55%.
References
S. Kamsina, dan R. Khoirudin, “Determinan Kemiskinan di Provinsi Nusa Tenggara Timur, Indonesia”, Jurnal Genesis Indonesia (JGI) vol. 3, no. 01, pp. 15-24 Januari, 2024, https://doi.org/10.56741/jgi.v3i01.477.
H. Zeng, M.D. Edwars, G. Liu, dan D. K. Gilfford, “Convolutional Neural Network Architectures For Predicting DNA–Protein Binding”. Journal of computational biology”, vol. 21 no. 4, pp. 298-310, Juni, 2016, https://doi.org/10.1093/bioinformatics/btw255.
Krizhevsky, Arifin, I. Sutskever, dan Hinton, G. E. “ImageNet classification with Deep Convolutional Neural Networks”. In Advances in Neural Information Processing Systems (pp. 1097-1105), 2012.
W.I.B. Kurniawan dan I.G.P.S. Wijaya, “Pencarian Citra Menggunakan Metode Transformasi Wavelet dan Metrika Histogram Terurut”, Jurnal Teknik Elektro Fakultas Teknologi Industri – Universitas Kristen Petra, vol. 6, no.1 pp 46-53, Juli, 2019.
S. A. Bello, Yu, S., Wang, C., Adam, J. M., dan Li, J. Review: “Deep Learning on 3D Point Clouds. Remote Sensing”, vol. 12, no. 11, pp. 1-33. Mei, 2020, https://doi.org/10.3390/rs12111729.
A. F. Nurjannah, A. S. D. Kurniasari, Z. Sari, dan Y. Azhar. “Pneumonia Image Classification Using CNN with Max Pooling and Average Pooling”. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6,nNo. 2, pp. 330–338. April, 2022, https://doi.org/10.29207/resti.v6i2.4001.
Cahyani, Lutfiah, M. Arif, dan F.Ningsih,. “Sistem Pendukung Keputusan Pemilihan Mahasiswa Berprestasi Menggunakan Metode MOORA (Studi Kasus Fakultas Ilmu Pendidikan Universitas Trunojoyo Madura)”. In Jurnal Ilmiah Edutic, vol. 5, no 2, pp. 108-114, Mei, 2019, https://doi.org/10.21107/edutic.v5i2.5354.
Y. R Kaesmetan, dan M. V. Overbeek, “Digital Image Processing using Texture Features Extraction of Local Seeds in Nekbaun Village with Color Moment, Gray Level Co Occurance Matrix, and k-Nearest Neighbor”, Jurnal Teknik Informatika, vol. 13, no. 2, pp. 81-84, Desember, 2021, https://doi.org/10.31937/ti.v13i2.2038.
Y. R Kaesmetan, dan M. V. Overbeek, “Ant Colony Optimization for Traveling Tourism Problem on Timor Island East Nusa Tenggara”, Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM) Vol 3, No.1, pp. 28 – 35, Maret 2020, http://dx.doi.org/10.24014/ijaidm.v3i1.9274.
Y. Andani, dan A. Kholiq, “Sistem Pendukung Keputusan Pemilihan Siswa Terbaik Pada SMK Negeri 1 Tambun Selatan Menggunakan Metode Simple Additive Weighting”. Jurnal Ilmiah Fakultas Teknik LIMIT’S, vol. 16, no. 2, pp. 35-38, September, 2020.
K. He, X. Zhang, S Ren, dan J. Sun, “Deep Residual Learning for Image Recognition”. In Proceedings of the IEEE conference on Computer Vision and Pattern Recognition, pp. 770-778, 2019.
A. U. N Muljadi, N. W. Widekso, dan T. W. Atmojo. “Perbandingan Sistem Pendukung Keputusan TOPSIS dengan VIKOR dalam Pemilihan Hubungan Kerjasama Comparison of TOPSIS and VIKOR Decision Support System in Choosing Cooperative Relationship”, vol. 21, no 2, pp. 224-236, Mei, 2022, https://doi.org/10.33633/tc.v21i2.5889.
S. Proboningrum, A.Sidauruk."Sistem Pendukung Keputusan Pemilihan Supplier Kain Dengan Metode Moora", Jurnal Sistem Informasi, vol. 8, no. 1, pp. 43-48, Maret, 2021, https://doi.org/10.30656/jsii.v8i1.3073.
Yunidar, “Classification of Stunted and Normal Children Using Novel Facial Image Database And Convolutional Neural Network, Jurnal Radioelectronic and Computer Systems”, vol. 2024, no. 1, pp. 76-86, Februari, 2024, https://doi.org/10.32620/reks.2024.1.07.
Z. Zhang, Y.Yang, X. Xia, D. Lo, X. Ren, dan Grundy, J. “Unveiling the Mystery of API Evolution in Deep Learning Frameworks: A Case Study of Tensorflow 2”. 2021 IEEE/ACM 43rd International Conference on Software Engineering: Software Engineering in Practice (ICSE-SEIP), pp. 238–247, Mei, 2021 https://doi.org/10.1109/ICSE-SEIP52600.2021.00033.
A. B. M. Safar, dan El-Kharashi, M. W. “A High-Accuracy Implementation for Softmax Layer in Deep Neural Networks”. 15th Design & Technology of Integrated Systems in Nanoscale Era (DTIS), pp. 1–6. April, 2020, https://doi.org/10.1109/DTIS48698.2020.9081313.
K. He, X.Zhang, S Ren, dan J. Sun. “Deep residual learning for image recognition”. In Proceedings of the IEEE conference on Computer Vision and Pattern Recognition, pp. 770-778, 2019.
R. Yamashita, Nishio, M., Do, R. K. G., dan Togashi, K. Convolutional Neural Networks An Overview and Application in Radiology. Insights into Imaging, vol. 9, no.4, pp. 611–629. Juni, 2018 https://doi.org/10.1007/s13244-018-0639-9.
Norhikmah, A. Lutfhi, dan Rumini, “The Effect of Layer Batch Normalization and Droupout of CNN model Performance on Facial Expression Classification”. JOIV?: International Journal on Informatics Visualization, vol. 6, no. 2, pp. 481–488, Agustus, 2022, https://doi.org/10.30630/joiv.6.2-2.921.
J. Yu, A. de Antonio, dan E. Villaaba-Mora, "Deep Learning (CNN, RNN) Applications for Smart Homes: A Systematic Review" Computers, vol 11, no. 26, Februari, 2022,
https://doi.org/10.3390/computers11020026.
A.A. Ningrum. A.Syarif I, R.Muchtar "Algoritma Deep Learning-LSTM untuk Memprediksi Umur Transformator", Jurnal Teknologi Informasi dan Ilmu Komputer Vol. 8, No.3, Juni 2021, pp 539-548, 2021. https://doi.org/10.25126/jtiik.2021834587.
Danila, I. D. Pawa, A. CHoiruni, A. Wijayanti "Geospatial analysis pada prevalensi stunting di kabupaten Manggarai," Jurnal Universitas Gadjah Mada, vol. 34, No. 11, pp 1-4, Mei, 2017. https://doi.org/10.22146/bkm.40618.
M.G.L. Bele, E.M.P. Hermanto, F. Fitriani, Pemodelan Geographically Weighted Regression pada Kasus Stunting di Provinsi Nusa Tenggara Timur Tahun 2020, Jurnal Statistika dan Aplikasinya, vol. 6, no. 2, pp. 179-191, Desember, 2022, https://doi.org/10.21009/JSA.06204.
S. F. Nashriyah, M. R. Makfu Y. P. Devi, Gambaran Spasial Hubungan Antara Faktor Lingkungan dan Ekonomi dengan Stunting Balita di Provinsi Nusa Tenggara Timur, Jurnal Spasial Wahan dan Komunikasi, vol. 23, no. 2, pp. 95-102, Desember, 2023.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi
This work is licensed under a Creative Commons Attribution 4.0 International License.
Jurnal HOAQ (High Education of Organization Archive Quality) : Jurnal Teknologi Informasi diterbitkan berdasarkan lisensi Creative Commons Attribution 4.0 International License (CC BY 4.0). Lisensi ini memungkinkan setiap orang untuk Berbagi: menyalin dan mendistribusikan kembali materi ini dalam format atau bentuk apapun; Adaptasi: merombak, mengubah, dan membuat turunan dari materi ini untuk keperluan apa pun, termasuk keperluan komersial, asalkan mereka memberikan pengakuan kepada Penulis Asli atas hasil karya aslinya.
