Stunting masih menjadi salah satu persoalan kesehatan masyarakat yang mendapat perhatian besar di Indonesia. Masalah ini bukan hanya tentang tinggi badan anak yang lebih pendek dibandingkan anak seusianya, tetapi juga berkaitan dengan kualitas tumbuh kembang, kemampuan belajar, daya tahan tubuh, hingga produktivitas anak di masa depan.

Dalam konteks kesehatan anak, stunting menggambarkan kondisi gagal tumbuh akibat kekurangan gizi kronis, terutama pada periode penting kehidupan, yaitu 1.000 hari pertama kehidupan. Kondisi ini dapat dipengaruhi oleh rendahnya asupan gizi, status kesehatan ibu saat hamil, berat badan lahir rendah, panjang badan lahir yang kurang, serta lingkungan sosial ekonomi yang belum mendukung.

Jawa Timur menjadi salah satu wilayah yang perlu mendapat perhatian serius dalam upaya penurunan stunting. Beberapa daerah masih menunjukkan angka stunting yang cukup tinggi. Karena itu, pemerintah, tenaga kesehatan, akademisi, dan masyarakat perlu memiliki alat bantu yang mampu membaca pola stunting secara lebih cepat dan terukur.

Di sinilah teknologi mulai mengambil peran. Artikel ilmiah yang dipublikasikan dalam Nonlinear Dynamics and Systems Theory Volume 25 Nomor 6 Tahun 2025 menawarkan pendekatan menarik: menggunakan metode kecerdasan buatan untuk menganalisis dan memprediksi angka stunting di Provinsi Jawa Timur.

Ketika Data Menjadi Alat Deteksi Dini

Selama ini, penanganan stunting sering dilakukan melalui survei, pencatatan lapangan, dan pemantauan berkala. Cara tersebut tetap penting, tetapi membutuhkan waktu, tenaga, dan koordinasi yang besar. Jika data yang sudah tersedia dapat diolah secara cerdas, maka pemerintah daerah dan tenaga kesehatan bisa memperoleh gambaran lebih cepat mengenai daerah yang berisiko tinggi.

Penelitian ini menggunakan data resmi dari laman Kementerian Dalam Negeri melalui sistem pemantauan aksi konvergensi. Dataset yang digunakan terdiri dari 156 data dengan rentang waktu Januari 2021 sampai Desember 2024. Data tersebut memuat informasi seperti tahun, kabupaten/kota, jumlah balita, jumlah balita pendek, jumlah balita sangat pendek, dan prevalensi stunting.

Dengan data tersebut, peneliti mencoba membangun model prediksi. Tujuannya bukan sekadar menghitung angka, tetapi membantu pihak terkait memahami pola stunting dari waktu ke waktu. Jika pola dapat dikenali, maka kebijakan pencegahan bisa dibuat lebih tepat sasaran.

Dua Metode Digital: Support Vector Regression dan Decision Tree

Dalam penelitian ini, peneliti membandingkan dua metode pembelajaran mesin, yaitu Support Vector Regression dan Decision Tree.

Support Vector Regression, atau SVR, dapat dipahami sebagai metode yang berusaha mencari pola hubungan terbaik antara data input dan hasil yang ingin diprediksi. Jika diterapkan pada kasus stunting, SVR akan mempelajari hubungan antara jumlah balita, jumlah balita pendek, jumlah balita sangat pendek, wilayah, dan waktu terhadap angka prevalensi stunting.

Sementara itu, Decision Tree bekerja seperti pohon keputusan. Metode ini membagi data berdasarkan aturan tertentu. Misalnya, jika jumlah balita sangat pendek meningkat, maka model dapat mengarahkan prediksi ke tingkat risiko tertentu. Kelebihan Decision Tree adalah cara kerjanya relatif mudah dipahami, karena menyerupai proses pengambilan keputusan manusia.

Kedua metode ini diuji dengan beberapa skenario pembagian data. Ada data yang digunakan untuk melatih model, dan ada data yang digunakan untuk menguji kemampuan model. Pembagiannya meliputi 70:30, 75:25, 80:20, dan 90:10. Artinya, sebagian data digunakan untuk belajar, sedangkan sisanya dipakai untuk melihat apakah model mampu memprediksi dengan baik.

Hasil Penelitian: SVR Lebih Unggul dalam Prediksi Stunting

Hasil penelitian menunjukkan bahwa kedua metode mampu digunakan untuk memprediksi angka stunting. Namun, Support Vector Regression memberikan hasil terbaik dibandingkan Decision Tree.

Pada skenario terbaik, SVR menghasilkan nilai kesalahan prediksi atau RMSE sebesar 0,1377. Sementara itu, Decision Tree memperoleh hasil terbaik pada skenario lain dengan nilai RMSE sebesar 0,1642. Dalam konteks ini, semakin kecil nilai RMSE, semakin baik kemampuan model dalam memprediksi data.

Secara sederhana, hasil ini menunjukkan bahwa SVR lebih stabil dan lebih akurat dalam membaca pola prevalensi stunting di Jawa Timur. Decision Tree tetap bermanfaat, terutama karena mudah dijelaskan, tetapi performanya masih sedikit di bawah SVR.

Temuan ini penting karena prediksi yang baik dapat membantu pemerintah daerah menentukan prioritas intervensi. Daerah dengan potensi peningkatan angka stunting dapat memperoleh perhatian lebih awal, sebelum masalahnya berkembang lebih luas.

Mengapa Prediksi Stunting Itu Penting?

Prediksi stunting bukan berarti menggantikan peran tenaga kesehatan, kader posyandu, atau program pemerintah. Justru sebaliknya, teknologi ini dapat menjadi alat bantu agar program yang sudah berjalan menjadi lebih efektif.

Pertama, prediksi dapat membantu pemerintah daerah dalam menyusun prioritas kebijakan. Jika suatu kabupaten diprediksi memiliki risiko stunting tinggi, maka alokasi program gizi, edukasi ibu hamil, sanitasi, dan pemantauan balita dapat diperkuat di wilayah tersebut.

Kedua, prediksi dapat membantu tenaga kesehatan dan puskesmas dalam melakukan pemantauan lebih terarah. Daerah dengan tren peningkatan stunting bisa menjadi sasaran kunjungan, edukasi, dan intervensi gizi yang lebih intensif.

Ketiga, prediksi juga bermanfaat bagi masyarakat. Informasi berbasis data dapat meningkatkan kesadaran bahwa stunting bukan hanya masalah keluarga tertentu, tetapi masalah bersama yang perlu dicegah sejak dini.

Keempat, bagi akademisi dan peneliti, studi ini membuka ruang pengembangan riset lanjutan. Model prediksi dapat diperbaiki dengan menambahkan variabel lain, seperti tingkat kemiskinan, pendidikan ibu, akses air bersih, sanitasi, imunisasi, pola makan, dan riwayat penyakit infeksi.

Keterkaitan dengan SDGs

Penelitian ini juga sejalan dengan agenda pembangunan berkelanjutan atau Sustainable Development Goals.

Pertama, penelitian ini mendukung SDG 2: Zero Hunger, karena stunting sangat erat kaitannya dengan malnutrisi dan pemenuhan gizi anak.

Kedua, penelitian ini mendukung SDG 3: Good Health and Well-being, karena tujuannya berkaitan dengan peningkatan kesehatan anak, pencegahan gangguan tumbuh kembang, dan penguatan sistem kesehatan masyarakat.

Ketiga, penelitian ini juga relevan dengan SDG 9: Industry, Innovation and Infrastructure, karena menggunakan inovasi teknologi berbasis machine learning untuk membantu pengambilan keputusan di sektor kesehatan.

Tantangan Penerapan di Lapangan

Walaupun menjanjikan, penerapan teknologi prediksi stunting tetap memiliki tantangan. Tantangan pertama adalah kualitas data. Model kecerdasan buatan sangat bergantung pada data yang digunakan. Jika data tidak lengkap, tidak konsisten, atau terlambat diperbarui, maka hasil prediksi juga dapat kurang akurat.

Tantangan kedua adalah integrasi dengan sistem kesehatan daerah. Hasil prediksi perlu diterjemahkan menjadi kebijakan nyata, bukan hanya berhenti sebagai angka di laporan. Pemerintah daerah perlu memiliki mekanisme yang jelas untuk menindaklanjuti wilayah yang terdeteksi berisiko.

Tantangan ketiga adalah literasi digital. Tidak semua petugas atau pengambil kebijakan terbiasa menggunakan hasil analisis berbasis machine learning. Karena itu, diperlukan pelatihan dan penyajian hasil prediksi dalam bentuk yang mudah dipahami.

Tantangan keempat adalah pengembangan model yang lebih komprehensif. Stunting tidak hanya dipengaruhi oleh jumlah balita pendek atau sangat pendek, tetapi juga oleh faktor ekonomi, pendidikan, sanitasi, kesehatan ibu, pola asuh, dan akses layanan kesehatan. Semakin lengkap variabel yang digunakan, semakin kuat pula analisis yang dihasilkan.

Menuju Sistem Pencegahan Stunting Berbasis Data

Penelitian ini memberikan pesan penting bahwa penanganan stunting di masa depan perlu semakin berbasis data. Pemerintah tidak cukup hanya melihat angka setelah masalah terjadi. Pemerintah perlu memiliki sistem yang mampu membaca kecenderungan lebih awal.

Bayangkan jika setiap daerah memiliki dashboard prediksi stunting yang dapat diperbarui secara berkala. Kabupaten/kota dengan risiko tinggi dapat langsung terlihat. Puskesmas bisa menyusun prioritas kunjungan. Dinas kesehatan dapat mengalokasikan program secara lebih tepat. Bantuan gizi, edukasi ibu hamil, dan intervensi sanitasi dapat diarahkan ke wilayah yang paling membutuhkan.

Dengan pendekatan seperti ini, pencegahan stunting tidak lagi hanya bersifat reaktif, tetapi menjadi lebih proaktif. Teknologi tidak menggantikan kerja manusia, tetapi memperkuat kemampuan manusia dalam mengambil keputusan.

Penutup

Stunting adalah masalah serius yang berdampak panjang terhadap masa depan anak dan kualitas sumber daya manusia. Karena itu, upaya pencegahannya perlu dilakukan secara cepat, tepat, dan berbasis bukti.

Penelitian tentang prediksi angka stunting di Jawa Timur menggunakan Support Vector Regression dan Decision Tree menunjukkan bahwa kecerdasan buatan dapat menjadi alat bantu penting dalam sektor kesehatan masyarakat. Hasil penelitian memperlihatkan bahwa SVR mampu memberikan prediksi yang lebih akurat dibandingkan Decision Tree.

Ke depan, teknologi seperti ini perlu dikembangkan lebih lanjut dengan data yang lebih lengkap dan sistem yang terintegrasi dengan layanan kesehatan daerah. Dengan demikian, kecerdasan buatan tidak hanya menjadi alat akademik, tetapi juga dapat menjadi bagian dari solusi nyata untuk menurunkan stunting dan membangun generasi Indonesia yang lebih sehat.

PENULIS: Bambang Suharto

Informasi detail dari riset ini dapat dilihat pada:

https://www.scopus.com/pages/publications/105035301662?origin=resultslist       

Herlambang, T., Fauzi, F., Suharto, B., Kurniastuti, I., Othman, Z., Abdullah, R. W., & Oktafianto, K. (2025). Analysis and Prediction of Stunting Rate in East Java Province Using Support Vector Regression and Decision Tree Method. NonlinearDynamics and Systems Theory, 25(6), 621–629.

ISSN: 15628353