Machine Learning Berbasis Standar WHO

Deteksi Stunting

Cerdas & Akurat

Sistem multimodal yang menggabungkan Machine Learning berbasis standar WHO, Explainable AI (SHAP), dan deteksi visual YOLOv8 untuk skrining stunting balita yang komprehensif dan dapat dipercaya.

Machine Learning

XGBoost + SHAP Explainability

Berbasis Standar WHO

International Standard

High Accuracy

High Accuracy Classification

YOLOv8 Vision

Real-time Visual Detection

Multimodal

Tabular + Visual Fusion

3 Status Gizi

Stunted · Normal · Sehat sekali

Mulai Prediksi

Sistem multimodal yang menggabungkan Machine Learning berbasis standar WHO, Explainable AI (SHAP), dan deteksi…

KONTEKS NASIONAL

Stunting Masih Menjadi
Tantangan Besar Bangsa

Data SSGI menunjukkan perlunya solusi skrining yang cepat, akurat, dan dapat diakses seluruh tenaga kesehatan. Deteksi dini adalah kunci pencegahan yang efektif.

Sumber: SSGI 2023, Kemenkes RI · RPJMN 2020–2024

21.5%

Prevalensi Stunting

SSGI 2023 — Kemenkes RI

~5,4 Jt

Balita Terdampak

Estimasi nasional 2023

29%→21.5%

Penurunan 2019–2023

Masih di atas target

14%

Target Nasional

RPJMN 2020–2024

KEUNGGULAN SISTEM

Teknologi AI untuk
Kesehatan Anak

Dibangun di atas 92.000+ rekam balita Indonesia, divalidasi standar WHO 2006, dan diuji dengan metodologi rigorous untuk hasil yang dapat dipercaya.

99.36%

F1-Weighted

XGBoost Model A

99.99%

ROC-AUC

Hampir sempurna

98.89%

Cohen's Kappa

Almost Perfect Agreement

99.84%

Sensitivity

Deteksi stunting

92K+

Data Latih

Rekam balita

Kelas Visual

YOLOv8 Malnutrition

Tervalidasi Standar WHO 2006

Label target divalidasi menggunakan tabel z-score WHO 2006 via PyGrowUp — klasifikasi stunted/normal/tall sesuai standar internasional.

Standar Internasional

Sistem Adaptif Dual Model

Model A (F1 99.36%, ada berat) dan Model C (F1 98.05%, tanpa berat) dipilih otomatis — ideal untuk Posyandu dengan keterbatasan alat timbang.

Adaptive Router

Deteksi Visual 7 Tanda Malnutrisi

YOLOv8m dilatih pada 1.944 gambar klinis: wasted arms, visible ribs, visible back bones, moon face, sunken eyes, distended belly, flat belly.

YOLOv8m

Explainable AI — SHAP

Setiap prediksi dilengkapi SHAP TreeExplainer yang menjelaskan kontribusi setiap fitur — membantu tenaga kesehatan memahami faktor risiko dominan.

SHAP TreeExplainer

Stabilitas Tinggi 10 Iterasi

XGBoost A: F1 0.9928 ± 0.0009 · XGBoost C: F1 0.9852 ± 0.0015 — variansi sangat kecil, hasil konsisten dan reproducible di setiap pengujian.

10 Iterasi Acak

Late Fusion Multimodal

Fusion ML (70%) + YOLO (30%) menghasilkan Cohen's Kappa 0.9889 — hampir sempurna menurut skala Landis & Koch, dengan Sensitivity stunted 99.84%.

Kappa 0.9889

Sumber Dataset

SSGI + WHO Growth Standards

Validasi Label

PyGrowUp — WHO 2006 Z-Score

Uji Stabilitas

10 iterasi random seed

Metrik Klinis

Cohen's Kappa 0.9889