Catatan bukti · UDINUS · SDGs
- Unit
- Rektorat UDINUS
- Periode
- 2025
- Tujuan
- Nomor
- 48c75c89-88ed-4353-9b0f-2cd1d1ae18d4
- Terbit
- 2026-10-30
Universitas Dian Nuswantoro melaksanakan studi yang membahas prediksi malnutrisi anak secara akurat dan dapat diinterpretasikan. Kegiatan ini melibatkan peneliti Santoso, Heru Agus; Dewi, Nur Setiawati; Haw, Su-Cheng; Pambudi, Arga Dwi; dan Wulandari, Sari Ayu. Studi tersebut mengidentifikasi kurangnya transparansi pada model kecerdasan artifisial yang telah ada sebagai tantangan bagi adopsi klinis. Studi ini memperkenalkan kerangka pembelajaran mendalam yang diperkuat dengan Multi-Head Attention atau MHA untuk prediksi status gizi.
Kegiatan tersebut mencakup perbandingan langsung antara CNN-MHA dan LSTM-MHA. Perbandingan ini mengevaluasi pembelajaran fitur spasial dan pemodelan ketergantungan sekuensial pada data tabular antropometri terstruktur. Kerangka yang digunakan mengintegrasikan teknik prapemrosesan tingkat lanjut, seleksi fitur, dan Explainable AI menggunakan SHAP. Unsur-unsur tersebut mendukung prediksi yang selaras dengan kebutuhan klinis dan transparan. Hasil eksperimen diperoleh dari dataset yang berisi 9605 sampel. CNN-MHA mencapai akurasi 99,08%, sedangkan LSTM-MHA mencapai akurasi 98,91%. Hasil tersebut mengonfirmasi bahwa pemodelan spasial lebih sesuai untuk jenis dataset ini.
Atribusi fitur berbasis SHAP mengidentifikasi z-score standar WHO sebagai prediktor yang paling berpengaruh. Hasil ini meningkatkan kredibilitas model untuk penerapan klinis. Studi tersebut juga memperkenalkan sistem akuisisi data antropometri yang mendukung IoT untuk meningkatkan pemantauan waktu nyata dan skalabilitas. Fokus metodologisnya mencakup prediksi status gizi, prioritisasi fitur, akurasi, dan interpretabilitas. Kegiatan ini membahas hubungan antara kecerdasan artifisial berakurasi tinggi dan transparansi klinis serta menyajikan kerangka yang dapat diskalakan dan dijelaskan untuk intervensi kesehatan masyarakat. Studi tersebut menyatakan bahwa penelitian mendatang perlu mengeksplorasi integrasi data multimodal untuk meningkatkan generalisasi dan penerapan di dunia nyata. Melalui kegiatan ini, peneliti UDINUS berkontribusi pada kerangka pemantauan gizi yang dapat dijelaskan dengan fokus pada malnutrisi anak dan prediksi status gizi.