Kementerian Pendidikan, Kebudayaan, Riset dan Teknologi

Jalan Jenderal Sudirman, Senayan, Jakarta Pusat 10270

https://bima.kemdikbud.go.id

PROTEKSI ISI PROPOSAL

Dilarang menyalin, menyimpan, memperbanyak sebagian atau seluruh isi proposal ini dalam bentuk apapun
kecuali oleh pengusul dan pengelola administrasi pengabdian kepada masyarakat
PROPOSAL PENELITIAN 2023
Rencana Pelaksanaan Penelitian: tahun 2023 s.d. tahun 2023

1. JUDUL PENELITIAN
KLASIFIKASI POTENSI STUNTING BERDASARKAN DATA KEPENDUDUKAN KABUPATEN LANGKAT
MENGGUNAKAN DATA MINING DECISION TREE

Bidang Fokus RIRN / Tema Topik (jika ada) Rumpun Bidang

Bidang Unggulan Ilmu
Perguruan Tinggi
Teknologi Informasi Teknologi piranti tik dan Teknologi piranti Teknik Informatika
dan Komunikasi pendukung TIK pendukung partisipasi
perempuan, anak,
kelompok berkebutuhan
khusus, serta keamanan
penggunaan informasi
berbasis TIK

Kategori Skema Strata (Dasar/ SBK (Dasar, Target Akhir Lama

(Kompetitif Penelitian Terapan/ Terapan, TKT Penelitian
Nasional/ Pengembangan) Pengembangan) (Tahun)
Desentralisasi/
Penugasan)
Penelitian Penelitian Riset Dasar SBK Riset 2 1
Kompetitif Dosen Pemula Pembinaan/
Nasional Kapasitas

2. IDENTITAS PENGUSUL
Nama, Peran Perguruan Tinggi/ Program Studi/ Bidang Tugas ID Sinta
Institusi Bagian
INDRI Universitas Sistem Komputer Indri Sulistianingsih, 6653319
SULISTIANINGSIH Pembangunan S.Kom., M.Kom,
Panca Budi selaku ketua
Ketua Pengusul pengusul bertugas
untuk memantau, dan
memfasilitasi
perlengkapan
penelitian serta
mengontrol
pelaksanaan
penelitian. Melakukan
bimbingan dan
pendampingan serta
memvalidasi hasil
penelitian, luaran
wajib berupa
publikasi jurnal dan
luaran tambahan
publikasi prosiding,
haki dan buku.
NOVA MAYASARI Universitas Sistem Komputer Nova Mayasari, -
Pembangunan S.Kom., M.Kom,
Anggota Pengusul Panca Budi selaku anggota
peneliti pertama
bertugas untuk
membantu ketua
peneliti untuk
memvalidasi hasil
dan luaran penelitian
termasuk draf jurnal
 Nama, Peran Perguruan Tinggi/ Program Studi/ Bidang Tugas ID Sinta
Institusi Bagian
untuk diterbitkan
serta presentasi hasil
penelitian.
AHMAD AKBAR Universitas Sistem Komputer Ahmad Akbar, 6718616
Pembangunan S.Kom., M.Kom,
Anggota Pengusul Panca Budi selaku anggota
peneliti kedua
membuat laporan
penelitian, draf
publikasi jurnal dan
draf prosiding serta
publikasi penelitian
tambahan lainnya

3. MITRA KERJASAMA PENELITIAN (JIKA ADA)

Pelaksanaan penelitian dapat melibatkan mitra kerjasama yaitu mitra kerjasama dalam melaksanakan
penelitian, mitra sebagai calon pengguna hasil penelitian, atau mitra investor
Mitra Nama Mitra Dana

4. LUARAN DAN TARGET CAPAIAN

Luaran Wajib
Tahun Jenis Luaran Status target capaian Keterangan
Luaran
1 Artikel di Jurnal accepted/published https://jurnal.stmikroyal.ac.id/
index.php/j-com

5. ANGGARAN
Rencana Anggaran Biaya penelitian mengacu pada PMK dan buku Panduan Penelitian dan Pengabdian
kepada Masyarakat yang berlaku.

Total RAB 1 Tahun Rp. 19.999.000,00

Tahun 1 Total Rp. 19.999.000,00

Jenis Komponen Item Satuan Vol. Biaya Total
Pembelanjaan Satuan
Bahan Bahan Paket Internet Unit 12 245.000 2.940.000
Penelitian IndiHome 20mbps dan
(Habis Pakai) Telkomsel 30GB (12
Bulan)
Bahan ATK Tinta Printer Epson Paket 3 75.000 225.000
Black L3210
Bahan ATK Tinta Printer Epson Paket 3 75.000 225.000
Color L3210
Bahan ATK ATK Pulpen Paket 3 23.000 69.000
Bahan ATK ATK Kertas Paket 3 50.000 150.000
Pengumpulan HR Pembantu Data Prevalensi OH 2 80.000 160.000
Data Lapangan Stunting Kab. Langkat
Pengumpulan HR Pengumpulan Data OB 4 200.000 800.000
Data Sekretariat/ Kependudukan di Desa-
Administrasi Desa Lokus Stunting
Peneliti
Pengumpulan FGD FGD Tim PenelitI & Tim Paket 1 440.000 440.000
Data persiapan Pemerintah Kab.
penelitian Langkat dalam
persiapan penelitian
Analisis Data Biaya Biaya Konsumsi Rapat OH 12 200.000 2.400.000
konsumsi Analisis Data
rapat
Analisis Data HR Pengolah HR Pengolah Data / P 1 1.540.00 1.540.000
Data Preprocessing Data (penelitia 0
n)
 Jenis Komponen Item Satuan Vol. Biaya Total
Pembelanjaan Satuan
Pelaporan, Luaran Luaran KI Biaya Haki Paket 1 600.000 600.000
Wajib, dan Luaran (paten, hak
Tambahan cipta dll)
Pelaporan, Luaran Biaya Biaya Penerbitan Buku Paket 1 4.500.00 4.500.000
Wajib, dan Luaran penyusunan 0
Tambahan buku
termasuk
book chapter
Pelaporan, Luaran Biaya Luaran Biaya Cetak Laporan Paket 3 75.000 225.000
Wajib, dan Luaran Iptek lainnya Kemajuan
Tambahan (purwa rupa,
TTG dll)
Pelaporan, Luaran Biaya Biaya Cetak Prosiding Paket 3 100.000 300.000
Wajib, dan Luaran seminar
Tambahan internasional
Pelaporan, Luaran Biaya Biaya Proofreading Paket 1 500.000 500.000
Wajib, dan Luaran seminar Paper Seminar
Tambahan internasional Internasional
Bereputasi
Pelaporan, Luaran Biaya Biaya Translate paper Paket 1 700.000 700.000
Wajib, dan Luaran seminar Seminar Internasional 7
Tambahan internasional lembar
Pelaporan, Luaran Biaya Biaya Seminar Paket 1 3.000.00 3.000.000
Wajib, dan Luaran seminar Internasional 0
Tambahan internasional Bereputasi Scopus
Pelaporan, Luaran Biaya Biaya Cetak Jurnal Paket 3 75.000 225.000
Wajib, dan Luaran Publikasi
Tambahan artikel di
Jurnal
Nasional
Pelaporan, Luaran Biaya Biaya Proofreading Paket 1 500.000 500.000
Wajib, dan Luaran Publikasi Jurnal Sinta 3
Tambahan artikel di
Jurnal
Nasional
Pelaporan, Luaran Biaya Biaya Publikasi Jurnal Paket 1 500.000 500.000
Wajib, dan Luaran Publikasi J-Com (Journal of
Tambahan artikel di Computer) Sinta 3
Jurnal
Nasional
 Isian Substansi Proposal
SKEMA PENELITIAN DASAR
Petunjuk:Pengusul hanya diperkenankan mengisi di tempat yang telah disediakan sesuai dengan petunjuk
pengisian dan tidak diperkenankan melakukan modifikasi template atau penghapusan di setiap bagian.

JUDUL
Tuliskan Judul Usulan
KLASIFIKASI POTENSI STUNTING BERDASARKAN DATA KEPENDUDUKAN
KABUPATEN LANGKAT MENGGUNAKAN DATA MINING DECISION TREE

RINGKASAN
Ringkasan penelitian tidak lebih dari 300 kata yang berisi urgensi, tujuan, dan luaran yang
ditargetkan.
Masalah utama dalam penelitian ini adalah angka stunting yang tinggi di Kabupaten Langkat,
hal ini ditunjukkan pada data prevalensi stunting dari tahun 2019-2022 dengan rata-rata 16,33%
dimana prevalensi rata-rata 33 kabupaten/kota sumut adalah 5.5% dikutip sebaran data stunting
di provinsi sumatera utara. Upaya dan program percepatan penurunan dilakukan pemerintah
Kabupaten Langkat namun diperlukan juga rencana pencegahan sebagai tindakan preventif
dengan melihat prediksi potensi stunting. Oleh karenanya, penelitian ini menjadi sangat penting
untuk dilakukan agar pemerintah Kabupaten Langkat dapat mendeteksi sejak dini (klasifikasi)
individu yang berpotensi stunting. Dengan demikian pemerintah Kabupaten Langkat melalui
pihak-pihak terkaitnya seperti dinas kesehatan, perangkat daerah, camat dan kepala desa/lurah
dapat melakukan pencegahan awal dengan mengintegrasikan kegiatan lintas program dan lintas
perangkat daerah kedalam dokumen perencanaan daerah. Penelitian ini bertujuan untuk
menentukan model data training yang dapat mengklasifikasikan individu ke dalam kategori
“berpotensi stunting” atau “tidak berpotensi stunting” berdasarkan pola data yang ditemukan dari
data kependudukan yang tersedia. Penelitian ini menggunakan metode pendekatan kuantitatif
dengan algoritma komputasi data mining decision tree untuk proses ekstraksi data dalam
mendapatkan aturan-aturan (rule) dan pengetahuan (knowledge) dan model klasifikasi. Luaran
wajib yang ditetapkan yaitu publikasi pada jurnal Sinta 3. Luaran tambahan prosiding
internasional. Penelitian ini dimulai pada TKT 1 dan berhenti pada TKT 2 formulasi konsep dan
aplikasi teknologi untuk klasifikasi potensi stunting menggunakan data mining.

KATA KUNCI
Kata kunci maksimal 5 kata
Data Mining; Desicion Tree; CART; Stunting;

PENDAHULUAN
Penelitian Dasar merupakan riset yang memuat temuan baru atau pengembangan ilmu
pengetahuan dari kegiatan riset yang terdiri dari tahapan penentuan asumsi dan dasar hukum
yang akan digunakan, formulasi konsep dan/ atau aplikasi formulasi dan pembuktian konsep
fungsi dan/ atau karakteristik penting secara analitis dan eksperimental.

Pendahuluan penelitian tidak lebih dari 1000 kata yang terdiri dari:
A. Latar belakang dan rumusan permasalahan yang akan diteliti
B. Pendekatan pemecahan masalah
C. State of the art dan kebaruan
D. Peta jalan (road map) penelitian 5 tahun kedepan (jika dalam bentuk konsorsium harus
dilengkapi dengan roadmap penelitian konsorsium)
E. Sitasi disusun dan ditulis berdasarkan sistem nomor sesuai dengan urutan pengutipan,
mengikuti format Vancouver
 A. Latar Belakang dan Rumusan Masalah
Masalah stunting masih menjadi perhatian serius di Provinsi Sumatera Utara. Menurut
data yang dikeluarkan berdasarkan Survey Status Gizi Indonesia (SSGI) 2022, pada tahun 2021
tercatat 25,8% keluarga stunting (1). Hal ini menunjukkan bahwa masih banyak anak-anak di
Sumatera Utara yang mengalami stunting yang dapat mengganggu pertumbuhan dan
perkembangan fisik dan mental mereka(2)(3). Kabupaten Langkat merupakan salah satu
daerah yang memiliki prevalensi stunting yang tinggi dengan rata-rata 16,33% pada tahun
2019-2022, persentase itu diatas rata-rata prevalensi 5.5% untuk total 33 kabupaten/kota pada
sebaran data stunting di provinsi Sumatera Utara, seperti data yang dapat dilihat dari tabel 1.
Oleh karena itu, diperlukan suatu penelitian yang dapat menghasilkan model mengklasifikasi
stunting pada anak atau keluarga berisiko serta mengidentifikasi faktor-faktor yang
mempengaruhi potensi stunting pada anak di Kabupaten Langkat.

Tabel 1. Sebaran Stunting di Kabupaten Langkat (4)

STUNTING
JUMLAH
SANGAT PREVALENSI
NO TAHUN BALITA PENDEK
PENDEK (%)
(ANAK) (ANAK)
(ANAK)
1 2019 52,154 2,426 5,539 15.03
2 2020 52,066 2,863 6,679 18.03
3 2021 52,203 2,856 6,692 18.03
4 2022 52,154 2,426 5,539 15.03

Berdasarkan latar belakang di atas, rumusan permasalahan yang akan diteliti adalah
bagaimana cara mengklasifikasikan potensi stunting pada anak dan keluarga berisiko
berdasarkan data kependudukan di Kabupaten Langkat menggunakan metode data mining
decision tree (5). Tujuan penelitian ini adalah untuk mengidentifikasi faktor-faktor yang
berkontribusi pada potensi stunting pada anak (6), mendapatkan aturan-aturan (rule) dan
pengetahuan (knowledge) yang tersimpul pada data kependudukan Kabupaten Langkat dan
menghasilkan model klasifikasi potensi stunting yang dapat digunakan untuk mencegah dan
mengurangi stunting.

B. Pendekatan pemecahan masalah

Tabel 2. Pendekatan pemecahan masalah
Tahapan Pemecahan Masalah
1. Mengumpulkan data
kependudukan, data
prevalensi stunting dan
faktor-faktor risiko stunting
Analisis Masalah di Kabupaten Langkat.
2. Menganalisis literatur terkait 2. Analisis literatur terkait
stunting dan data mining
decision tree.
1. Merumuskan variabel-
variabel yang akan
digunakan dalam klasifikasi
Perancangan
potensi stunting.
Metode
2. Memilih algoritma decision
tree yang paling sesuai untuk
digunakan.
Output
1. Data kependudukan, data
prevalensi stunting dan faktor-
faktor risiko stunting di
Kabupaten Langkat
terkumpul.
stunting dan data mining
decision tree selesai
dilakukan.
1. Variabel-variabel yang akan
digunakan dalam klasifikasi
potensi stunting telah
dirumuskan.
2. Algoritma decision tree yang
paling sesuai untuk digunakan
telah dipilih.
 1. Memproses data
kependudukan Kabupaten
Langkat dengan algoritma
Implementasi
decision tree.
Metode
2. Melakukan validasi terhadap
model klasifikasi yang telah
dibuat.
1. Melakukan analisis terhadap
hasil klasifikasi untuk
mengetahui faktor-faktor
risiko potensi stunting.
2. Membuat kesimpulan
Evaluasi Hasil berdasarkan hasil evaluasi
dan memberikan
rekomendasi untuk
mengurangi prevalensi
stunting di Kabupaten
Langkat.
1. Model klasifikasi potensi
stunting telah berhasil
diimplementasikan.
2. Model klasifikasi telah
divalidasi dan diperoleh nilai
akurasi yang memadai.
1. Faktor-faktor risiko potensi
stunting telah berhasil
diidentifikasi.
2. Kesimpulan dan rekomendasi
untuk mengurangi prevalensi
stunting di Kabupaten
Langkat telah disusun.

C. State of the art dan kebaruan

Penelitian terkait klasifikasi anak stunting dengan data mining telah banyak dilakukan
dalam beberapa tahun terakhir, terutama di Indonesia. Beberapa penelitian menggunakan
pendekatan data mining untuk mengklasifikasikan status stunting, seperti penelitian yang
dilakukan oleh Titimeidara & Hadikurniawati (2021) menggunakan algoritma Naive Bayes (7),
Drajana & Bode (2022) menggunakan K-Nearest Neighbor(8). Sementara itu, penelitian yang
dilakukan oleh Perdana et al (2021) menggunakan algoritma Random Forest untuk prediksi
stunting pada balita(9). Penelitian sebelumnya telah mengklasifikasi status stunting melalui
status gizi ibu dan anak. Namun, penelitian yang menggunakan data kependudukan sebagai
sumber data untuk klasifikasi potensi stunting masih terbatas.
Penelitian ini menjadi sangat penting untuk dilakukan agar pemerintah Kabupaten
Langkat dapat mendeteksi sejak dini (klasifikasi) anak dan keluarga berisiko yang berpotensi
stunting. Dengan demikian pemerintah Kabupaten Langkat melalui pihak-pihak terkaitnya
seperti dinas kesehatan, perangkat daerah, camat dan kepala desa/lurah dapat melakukan
pencegahan awal dengan mengintegrasikan kegiatan lintas program dan lintas perangkat
daerah kedalam dokumen perencanaan daerah. Penelitian ini bertujuan untuk menentukan
model data training yang dapat mengklasifikasikan individu ke dalam kategori “berpotensi
stunting” atau “tidak berpotensi stunting” berdasarkan pola data yang ditemukan dari data
kependudukan yang tersedia. Kebaruan dari penelitian ini adalah penggunaan pendekatan
data mining decision tree untuk mengklasifikasikan potensi stunting berdasarkan data
kependudukan. Pendekatan ini dapat membantu dalam mengidentifikasi faktor-faktor risiko
yang paling signifikan dalam terjadinya stunting, menghasilkan model klasifikasi dan dapat
memberikan rekomendasi yang lebih spesifik untuk mengurangi risiko stunting pada populasi
tersebut. Selain itu penelitian ini juga dapat memberikan kontribusi dalam memberikan
masukan bagi pihak-pihak terkait untuk melakukan pencegahan awal terhadap stunting
khususnya di Kabupaten Langkat.
Penelitian ini merupakan tindak lanjut dari roadmap penelitian LPPM UNPAB, yang
diturunkan kepada roadmap penelitian prodi sistem komputer dan roadmap dari peneliti yaitu
mendukung penguatan model sosial humaniora, ekonomi, budaya, kesejahteraan berbasis
teknologi komunikasi dan komputerisasi seperti pada tabel dibawah ini :
D. Peta jalan (road map) penelitian 5 tahun kedepan
Tabel 2. Roadmap LPPM UNPAB 2014 - 2033
Bidang
\Topik 2014-2018 2019-2023 2024-2028 2029-2033
Unggulan
1. Identifikasi 1. Penguatan 1. Model 1. Pengembanga
masalah Infrastruktur, perangkat nInfrastruktur
Infrastruktur Piranti dan Infrastruktur, TIK
TIK konten TIK Piranti dan 2. Pengembanga
2. Identifikasi 2. Penguatan konten TIK nSistem/
masalah Sistem/ 2. Model Platform
Sistem/ Platform perangkat Berbasis Open
Platform Berbasis Open Sistem/ Source
Berbasis Source Platform 3. Pengembanga
Open Source 3. Penguatan Berbasis nmodel
3. Identifikasi pendukung OpenSource pendukung
Teknologi masalah keputusan 3. Model keputusan
Informasi Peningkatan berbasis pakar perangkat berbasis pakar
dan Konten TIK dan teknologi pendukung dan teknologi
Komunikas 4. Identifikasi komputerisasi keputusan komputerisasi
i Teknologi 4. Penguatan berbasis 4. Pengembangan
PirantiTIK model sosial pakardan model
Dan humaniora, teknologi perangkat
Pendukung ekonomi, komputerisas model sosial
TIK budaya, i humaniora,
5. Sistem kesejahteraan 4. Model ekonomi,
pendukung berbasis perangkat budaya,
keputusan teknologi model sosial kesejahteraan
berbasis komunikasi humaniora, berbasis
pakar dan dan ekonomi, teknologi
teknologi komputerisas budaya, komunikasi
komputerisas i kesejahteraan dan
i berbasis komputerisasi
6. Identifikasi teknologi
masalahsosial komunikasi
humaniora, dan
ekonomi, komputerisas
budaya, i
kesejahteraan
berbasis
teknologi
komunikasi
dan
komputerisasi
 Tabel 3. Roadmap Peneliti 2019 – 2033
Linieritas Penelitian Yang Penelitian Dosen Penelitian Penelitian
Topik Telah Dilakukan Pemula 2023-2024 Terapan Pengembangan
Dosen 2024-2028 2029-2033
Ekstraksi 1. Data Mining 1. Klasifikasi 1. Rancang 1. Pengembangan
informasi Prediksi Minat Potensi Stunting Bangun Sistem
dari data Customer Berdasarkan Sistem / Klasifikasi
terstruktur Penjualan Data Aplikasi Potensi Stunting
(Data Handphone Kependudukan Teknologi berdasarkan
mining) Dengan Kabupaten Klasifikasi Ekstraksi
dan data Algoritma Langkat Potensi Informasi Pada
tidak Apriori Menggunakan Stunting Data
terstruktur 2. Implementation Data Mining menggunakan Kependudukan,
(Text of MD Heuristic Decision tree Data Mining data prevalensi
Mining) Method for Decision stunting dan
Classifying Tree faktor-faktor
Numerical Data risiko stunting.
In Data
Preprocessing
3. Mendeteksi
Penyakit
Tuberculosis
Dengan
Algoritma
Bayes
4. Implementation
Of The Naive
Bayes Method
To
Classification
Good Air
Quality
5. Implementasi
Data Mining
untuk
Memprediksi
Itemset Promosi
Penjualan Pada
CV. Sumber
Segar Utama

METODA
Metode atau cara untuk mencapai tujuan yang telah ditetapkan ditulis tidak melebihi 1000 kata.
Bagian ini dapat dilengkapi dengan diagram alir penelitian yang menggambarkan apa yang
sudah dilaksanakan dan yang akan dikerjakan selama waktu yang diusulkan. Format diagram
alir dapat berupa file JPG/PNG. Metode penelitian harus dibuat secara utuh dengan penahapan
yang jelas, mulai dari awal bagaimana proses dan luarannya, dan indikator capaian yang
ditargetkan yang tercermin dalam Rencana Anggaran Biaya (RAB).
Penelitian ini menggunakan pendekatan kuantitatif dimana proses pengolahan data dari data
kependudukan yang diteliti dan diolah secara sistematis untuk mendapatkan rule dan
knowledge. Data yang digunakan adalah data kependudukan yang bersumber dari kegiatan
digitalisasi data penduduk kabupaten langkat dalam program kerjasama KKN Tematik MBKM
di Desa antara pemerintah Kabupaten Langkat dengan Universitas Pembangunan Panca Budi
pada tahun 2022. Menggunakan komputasi data mining klasifikasi sebagai pengolahan data
yaitu algoritma decision tree CART (Classification and Regression Tree)(6). Teknik
pengumpulan data sampling untuk kemudian membangun model, pemilihan fitur, model data
training dan evaluasi model dapat dilakukan dengan menggunakan berbagai metrik, seperti
akurasi, presisi, recall, dan lain-lain.

DIAGRAM FISHBONE
Diagram Fishbone atau Ishikawa diagram adalah sebuah metode untuk visualisasi penyebab
masalah (root cause analysis) yang dirancang untuk membantu mengidentifikasi semua faktor
yang mungkin menyebabkan masalah tertentu(10). Berikut adalah penyebab dari suatu masalah
yang mendasari perlunya penelitian ini :

Gambar 1. Diagram Fishbone

Berikut adalah alur tahapan dalam penelitian ini terbagi dalam satu tahun :

Gambar 2. Tahapan Penelitian

 Tahapan Penelitian Keterangan
Studi Literatur • Melakukan studi literatur tentang stunting, faktor risiko
stunting, data mining, dan decision tree.
Pengumpulan Data • Mengumpulkan data kependudukan Kabupaten Langkat yang
relevan dengan penelitian. Data yang dikumpulkan meliputi
data demografi, data gizi, data kesehatan, dan data lingkungan.
• Mengumpulkan data prevalensi stunting.
Data Preprocessing • Melakukan preprocessing data untuk membersihkan data dari
noise dan missing value (11), melakukan transformasi data
jika diperlukan, dan melakukan seleksi fitur untuk
menentukan variabel yang paling berpengaruh dalam
klasifikasi potensi stunting.
Pembuatan Model • Membuat model dengan menggunakan algoritma decision
tree (CART) untuk mengklasifikasikan potensi stunting.
Tahapan ini meliputi:
• Pembagian data menjadi data training dan data testing
• Pembuatan model decision tree
• Evaluasi model dengan menggunakan metrik evaluasi seperti
akurasi, precision, recall, dan F1-score.
Interpretasi Hasil • Melakukan interpretasi hasil untuk mengetahui variabel yang
paling berpengaruh dalam klasifikasi potensi stunting.
Analisis dan Kesimpulan • Menganalisis hasil penelitian dan menyimpulkan kesimpulan
dari penelitian yang telah dilakukan. Jika ada temuan yang
menarik, maka dilakukan rekomendasi untuk penelitian
selanjutnya.

LUARAN DAN TARGET CAPAIAN

Tabel 4. Luaran dan Target Capaian

No. Luaran Indikator Keterangan
Terbentuknya basis fungsi model, yang
1. Terlaksana
dipakai dalam klasifikasi potensi stunting
Melakukan uji simulasi fungsi model
2. Terlaksana
dengan data training.
ICIC2023
3. Mengikuti Seminar Internasional Terlaksana
APTIKOM
Melakukan pengujian Algoritma dengan
4. data testing untuk klasifikasi potensi Terlaksana
stunting
5. Diperoleh hasil berupa model klasifikasi Terlaksana
J-Com (Journal of
6. Artikel Jurnal Sinta 3 Terbit
Computer)
No. Luaran Tambahan Indikator Keterangan
1. Terbentuknya draft buku ajar Terlaksana Penerbit Depublish
2. Pendaftaran di HAKI untuk hak cipta Terdaftar
JADWAL PENELITIAN
Jadwal penelitian disusun berdasarkan pelaksanaan penelitian, harap disesuaikan berdasarkan
lama tahun pelaksanaan penelitian

Tahun ke-1
Bulan
No Nama Kegiatan
1 2 3 4 5 6 7 8 9 10 11 12
1. Studi Literatur
2. Pengumpulan Data Kependudukan
3. Preprocessing Data
Pembuatan Model Klasifikasi
4.
Algoritma Decision Tree CART
5. Penyusunan Laporan Kemajuan
6. Interpretasi Hasil
7. Penyusunan Publikasi Karya Ilmiah
8. Analisis Hasil Dan Kesimpulan
9. Penyusunan Laporan Akhir
10. Kesimpulan Dan Evaluasi
11. Pengisian Logbook

DAFTAR PUSTAKA
Sitasi disusun dan ditulis berdasarkan sistem nomor sesuai dengan urutan pengutipan,
mengikuti format Vancouver. Hanya pustaka yang disitasi pada usulan penelitian yang
dicantumkan dalam Daftar Pustaka.
[1] Kementrian Kesehatan RI. Hasil Survei Status Gizi Indonesia (SSGI) 2022. 2022.
[2] Widjayatri RD, Fitriani Y, Tristyanto B. Sosialisasi Pengaruh Stunting Terhadap
Pertumbuhan dan Perkembangan Anak Usia Dini. Murhum : Jurnal Pendidikan Anak Usia
Dini. 2020 Nov 5;16–27.
[3] Wulandari EC, Wijayanti HS, Widyastuti N, Panunggal B, Ayustaningwarno F, Syauqy A.
Hubungan Stunting Dengan Keterlambatan Perkembangan Pada Anak Usia 6-24 Bulan.
Journal of Nutrition College. 2021 Dec 9;10(4):304–12.
[4] KEMENDAGRI. Monitoring Pelaksanaan 8 Aksi Konvergensi Intervensi Penurunan
Stunting Terintegrasi [Internet]. 2022 [cited 2023 Apr 3]. Available from:
https://aksi.bangda.kemendagri.go.id/emonev/DashPrev
[5] Jin C, Li F, Ma S, Wang Y. Sampling scheme-based classification rule mining method
using decision tree in big data environment. Knowl Based Syst. 2022 May;244:108522.
[6] Ghiasi MM, Zendehboudi S, Mohsenipour AA. Decision tree-based diagnosis of coronary
artery disease: CART model. Comput Methods Programs Biomed. 2020 Aug;192:105400.
[7] Titimeidara MY, Hadikurniawati W. Implementasi Metode Naïve Bayes Classifier Untuk
Klasifikasi Status Gizi Stunting Pada Balita. JURNAL ILMIAH INFORMATIKA. 2021
Jun 17;9(01):54–9.
[8] Lonang S, Normawati D. Klasifikasi Status Stunting Pada Balita Menggunakan K-Nearest
Neighbor Dengan Feature Selection Backward Elimination. JURNAL MEDIA
INFORMATIKA BUDIDARMA. 2022 Jan 25;6(1):49.
[9] Perdana AY, Latuconsina R, Dinimaharawati A. Prediksi Stunting Pada Balita Dengan
Algoritma Random Forest. 2021.
[10] Coccia M. Fishbone diagram for technological analysis and foresight. International
Journal of Foresight and Innovation Policy. 2020;14(2/3/4):225.
[11] Md Ghazi MG Bin, Lee LC, Samsudin ASB, Sino H. Evaluation of ensemble data
preprocessing strategy on forensic gasoline classification using untargeted GC–MS data
and classification and regression tree (CART) algorithm. Microchemical Journal. 2022
Nov;182:107911.
PERSETUJUAN PENGUSUL
Tanggal Pengiriman Tanggal Persetujuan Nama Pimpinan Sebutan Jabatan Unit Nama Unit Lembaga
Pemberi Persetujuan Pengusul
- - - - -

Komentar : -