 |
| Dr. Ayi Purbasari, ST., MT /dok pribadi/ |
Permenkes No. 2 Tahun 2020 tentang Standar Antropometri Anak menyatakan status gizi anak dibedakan menjadi stunting, wasting dan underweight. Stunting (pendek menurut umur) diukur melalui indeks tinggi/panjang badan menurut umur (TB/U atau PB/U).
Status ini menunjukkan indikasi masalah gizi kronis akibat kekurangan gizi maupun infeksi dalam jangka waktu yang lama. Wasting (kurus menurut tinggi badan) diukur melalui indeks berat badan menurut tinggi/panjang badan (BB/TB atau BB/PB).
Status ini menunjukkan indikasi masalah gizi akut yang sensitif terhadap perubahan secara cepat seperti wabah penyakit maupun kelaparan. Underweight (berat badan kurang menurut umur) diukur melalui indeks berat badan menurut umur (BB/U).
Status ini menunjukkan indikasi masalah gizi secara umum. Pengukuran di posyandu setiap bulan biasanya menggunakan indeks ini.
Berdasarkan hasil Studi Status Gizi Indonesia (SSGI) 2021, prevalensi stunting menunjukkan penurunan dari 27,7% di tahun 2019 menjadi 24,4%. Namun hasil ini masih jauh dari target, yaiu 14 persen pada tahun 2024.
Studi Status Gizi Indonesia (SSGI) adalah survei berskala nasional yang dilakukan untuk mengetahui perkembangan status gizi balita (stunting, wasting, dan underweight) tingkat nasional, provinsi, dan kabupaten/kota.
Studi ini dilakukan sejak tahun 2019 ini dilakukan oleh Badan Penelitian dan Pengembangan Kesehatan (Balitbangkes) Kementerian Kesehatan bekerjasama dengan Biro Pusat Statistik (BPS) dan didukung oleh Sekretariat Wakil Presiden RI.
Pelaksanaan SSGI menjadi amanat Perpres No. 72 Tahun 2021 dimana Kementerian Kesehatan bertanggung jawab untuk mempublikasikan data prevalensi stunting kabupaten/kota setiap tahunnya.
Diperlukan upaya yang lebih keras lagi dari berbagai kementerian dan lembaga, melalui intervensi gizi spesifik maupun intervensi gizi sensitive agar target penurunan stunting ini dapat tercapai.
Selain itu, perlu dilakukan inovasi lain dengan melakukan prediksi terjadinya stunting pada bayi dan balita, sebelum stunting itu terjadi.
Stunting atau anak pendek berdasarkan umur merupakan salah satu indikator kondisi gagal tumbuh pada anak berusia dibawah lima tahun (balita) akibat kekurangan asupan gizi kronis dan infeksi berulang terutama pada periode 1.000 Hari Pertama Kehidupan (HPK), yaitu dari janin hingga anak berusia 23 bulan.
Pada periode ini dapat dilakukan prediksi stunting dengan memanfaatkan pendekatan Machine Learning untuk data kondisi bayi dan balita.
Hal inilah yang dilakukan oleh kelompok penelitian yang diketuai oleh Fedri Ruluwedrata Rinawan, dr., MScPH., PhD dari Fakultas Kedokteran Universitas Padjadjaran berkolaborasi dengan Teknik Informatika Universitas Pasundan dan Magister Teknik Informatika Universitas Langlang Buana serta Teknik Informatika Universitas Padjadjaran.
Tim ini mendapat kepercayaan dari Pendanaan Riset Inovatif-Produktif (RISPRO) dari LPDP untuk mengembangkan aplikasi pelaporan bernama iPosyandu yang dilengkapi dengan Machine Learning prediksi stunting.
iPosyandu adalah aplikasi berbasis Android dan berbasis Web sejak tahun 2018, yang dibuat untuk pencatatan dan pelaporan Sistem Informasi Posyandu (Pos Pelayanan Kesehatan Terpadu) bulanan dan tahunan yang semula berupa buku besar tertulis manual.
Aplikasi dibangun dengan pendekatan pola kerja kader yang menjadi pengguna aplikasi ini. iPosyandu merupakan aplikasi yang dirancang agar lebih memudahkan kader untuk menyusun laporan yang berupa aktivitas di Posyandu kemudian menyusun laporannya.
Aplikasi iPosyandu pun bisa digunakan sebagai memantau aktivitas tumbuh kembang anak yang dapat berkoneksi khusus antara kader dengan orang tua.
Aplikasi ini disertai dengan manual dan monitoring feedback dari kader yang menjadi pengguna. Aplikasi ini saat ini digunakan oleh kader di Posyandu Kecamatan Pasawahan Kabupaten Purwakarta dan akan diperluas ke Posyandu binaan PT Astra International, Tbk yang tersebar di seluruh Indonesia.
Pada awal tahun 2022, aplikasi iPosyandu telah menampung data hasil pemeriksaan bayi dan balita sebesar 97.511 untuk 29.039 data bayi dan balita di 1.939 posyandu.
Data pemeriksaan ini menjadi dataset untuk diolah pada Machine Learning dengan berbagai algoritma, seperti Long Short Term Memory (LSTM) atau Decision Tree maupun algoritma Naïve Bayes atau SVM.
Seperti pada umumnya langkah-langkah yang digunakan dalam Machine Learning, upaya terbesar terletak pada pengumpulan data dan pesiapan data. Data yang dikumpulkan dari aplikasi iPosyandu perlu dipersiapkan dan diformat ulang sesuai format dataset yang diperlukan.
Persiapan ini termasuk juga melakukan pembersihan data untuk data yang tidak memenuhi persyaratan, misalkan data yang tidak lengkap atau memiliki nilai data yang tidak bisa diperhitungkan.
Formulasi data dilakukan untuk menetapkan prediksi stunting pada saat bayi berusia 12 bulan, dan diprediksi pada saat bayi tersebut berusia 4, 6, 8 bulan. Setelah dataset terbentuk, algoritma machine learning akan mengolah training data untuk menghasilkan model, model ini kemudian diuji dengan testing data.
Hasil pengujian sementara menunjukkan untuk bayi yang berusia 4 bulan, maka dapat diprediksi status stunting pada usia 12 bulan dengan tingkat akurasi sebesar 64% jika menggunakan algoritma LSTM dan 76% jika menggunakan SVM.
Diperlukan lebih banyak lagi model untuk menguji bayi dan balita pada usia tertentu, agar dapat diprediksi stunting dan segera dapat dilakukan intervensi gizi, sebelum stunting tersebut terjadi.
Besar harapan, aplikasi iPosyandu ini dapat terus dan semakin meluas digunakan. Semakin banyak data yang dipersolah, semakin menghasilkan model prediksi stunting yang lebih akurat.
Selain itu, aplikasi iPosyandu disempurnakan dengan menambah fitur yang mengelola data yang berhubungan dengan intervensi gizi spesifik dan sensitif. Hal ini dapat menambah akurasi model agar hasil prediksi stunting dapat digunakan sebagai rekomendasi intervensi gizi yang harus dilakukan untuk upaya penurunan penurunan stunting secara berkesinambungan.
Sumber: https://deskjabar.pikiran-rakyat.com/gaya-hidup/pr-1134182752/machine-learning-untuk-prediksi-stunting-bayi-dan-balita
0 Komentar