Analisis Faktor Dominan Terhadap PHBS Rumah Tangga Menggunakan SVM dan SHAP Wilayah Puskesmas Tepusen, Temangung

Drajad Bima Ajipangestu; Novia Dewi Putri Ayuningtyas; Maesaroh Maesaroh; Arum Helmi Manggala Putri; Subinarto Subinarto; Ayu Fadhila

Penulis

Drajad Bima Ajipangestu Institut Teknologi dan Bisnis Muhammadiyah Grobogan
Novia Dewi Putri Ayuningtyas Puskemas Tepusen, Kaloran, Temanggung
Maesaroh Maesaroh Institut Teknologi dan Bisnis Muhammadiyah Grobogan
Arum Helmi Manggala Putri Institut Teknologi dan Bisnis Muhammadiyah Grobogan
Subinarto Subinarto Akademi Kesehatan Muhammadiyah Temanggung
Ayu Fadhila Universitas Negeri Semarang

Kata Kunci:

Kata Kunci : PHBS, SVM, SHAP, Machine Learning, Kesehatan Masyarakat

Abstrak

Perilaku Hidup Bersih dan Sehat (PHBS) merupakan indikator penting dalam penilaian status kesehatan masyarakat. Penelitian ini bertujuan untuk mengklasifikasikan tingkat PHBS rumah tangga serta mengidentifikasi faktor dominan yang memengaruhinya di wilayah kerja Puskesmas Tepusen, Kecamatan Kaloran, Kabupaten Temanggung. Data diperoleh dari survei rumah tangga tahun 2024 sebanyak 4.425 responden, dengan pengisian kuesioner yang dilakukan oleh kader dan tenaga surveilans terlatih. Pengukuran mengacu pada 16 indikator PHBS terstandardisasi, yang telah divalidasi oleh Dinas Kesehatan, mencakup: persalinan oleh tenaga kesehatan, pemeriksaan kehamilan, pemberian ASI eksklusif, penimbangan balita, konsumsi gizi seimbang, penggunaan air bersih, kepemilikan jamban sehat, pengelolaan sampah, tidak merokok di dalam rumah, aktivitas fisik, mencuci tangan pakai sabun, menyikat gigi secara teratur, tidak mengonsumsi alkohol/narkoba, kepesertaan jaminan kesehatan, pemberantasan sarang nyamuk, serta konsumsi tablet tambah darah (TTD). Metode Support Vector Machine (SVM) digunakan untuk klasifikasi multikelas (Sehat Pratama, Madya, Utama, dan Paripurna), dengan skema pembagian data 80:20 dan validasi silang 5-fold untuk menghindari overfitting. Kernel linear menunjukkan akurasi tertinggi, sebesar 97,74%. Untuk mengevaluasi kontribusi setiap fitur terhadap hasil prediksi, digunakan metode interpretabilitas Shapley Additive Explanations (SHAP). Indikator “TIDAK_MEROKOK” memiliki nilai SHAP tertinggi (0.118313), diikuti “CEK_KESEHATAN” (0.037) dan “MINUM_TTD” (0.030). Hasil ini menunjukkan pentingnya intervensi berbasis data untuk pengendalian rokok, peningkatan layanan kesehatan preventif, dan pemenuhan gizi perempuan dalam meningkatkan status PHBS secara operasional.

Referensi

N. Novika, D. Sayati, and N. S. Murni, “Faktor-Faktor Yang Berhubungan dengan PHBS,” Citra Delima Sci. J. Citra Int. Inst., vol. 7, no. 2, 2023, doi: 10.33862/citradelima.v7i2.370.

M. A. Assiva, H. A. Santoso, and C. Supriyanto, “Metode Fastica Untuk Reduksi Data Dimensi Tinggi Pada Analisis Sentimen Pariwisata Kota Semarang Menggunakan Algoritma Support Vector Machine,” J. Teknol. Inf., vol. 15, no. 1, 2019.

D. B. Ajipangestu and R. Sarno, “Event classification in surabaya on twitter with support vector machine,” 2020, doi: 10.1109/iSemantic50169.2020.9234205.

S. S. Patel, “Explainable machine learning models to analyse maternal health,” Data Knowl. Eng., vol. 146, 2023, doi: 10.1016/j.datak.2023.102198.

G. Van den Broeck, A. Lykov, M. Schleich, and D. Suciu, “On the Tractability of SHAP Explanations,” J. Artif. Intell. Res., vol. 74, 2022, doi: 10.1613/jair.1.13283.

D. M. Abdullah and A. M. Abdulazeez, “Machine Learning Applications based on SVM Classification: A Review,” Qubahan Acad. J., vol. 1, no. 2, 2021, doi: 10.48161/qaj.v1n2a50.

A. Mastropietro, C. Feldmann, and J. Bajorath, “Calculation of exact Shapley values for explaining support vector machine models using the radial basis function kernel,” Sci. Rep., vol. 13, no. 1, 2023, doi: 10.1038/s41598-023-46930-2.

Y. Zhou, W. Wu, H. Wang, X. Zhang, C. Yang, and H. Liu, “Identification of Soil Texture Classes Under Vegetation Cover Based on Sentinel-2 Data With SVM and SHAP Techniques,” IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., vol. 15, 2022, doi: 10.1109/JSTARS.2022.3164140.

C. Nawalia, F. Ningsih, and L. N. Tambunan, “Relationship Between Clean And Healthy Living Behavior (PHBS) With The Incidence Of Diarrhea In Toddlers Abstrak,” J. Surya Med., vol. 8, no. 2, 2022.

D. B. Ajipangestu, “View of PERANCANGAN WEBSITE DESA KRANGGANHARJO UNTUK MEDIA INFORMASI DAN PENGEMBANGAN POTENSI DESA,” Journal of Economics, Business, Management, Accounting And Social Sciences (JEBMASS), 2024. http://putrajawa.co.id/ojs/index.php/jebmass/article/view/122/76 (accessed Jul. 21, 2025).

D. B. Ajipangestu and R. Sarno, “Sentiment Analysis Based on The Aspect of Culinary and Restaurant Review Using Latent Dirichlet Allocation and Support Vector Machine to Improve the Profitability of Culinary Business and Restaurant in Surabaya,” in Proceedings of the 3rd International Conference on Business and Management of Technology (ICONBMT 2021), 2022, vol. 202, doi: 10.2991/aebmr.k.211226.011.

Y. Yaslina, B. Andini, and N. Nofriadi, “HUBUNGAN SIKAP DAN MOTIVASI DENGAN PENERAPAN PERILAKU HIDUP BERSIH DAN SEHAT (PHBS)PADA KELUARGA DI WILAYAH KERJA PUSKESMAS GULAI BANCAH KOTA BUKITTINGGI TAHUN 2018,” J. Kesehat. PERINTIS (Perintis’s Heal. Journal), vol. 5, no. 1, 2018, doi: 10.33653/jkp.v5i1.97.

G. Dharmarathne, T. N. Jayasinghe, M. Bogahawaththa, D. P. P. Meddage, and U. Rathnayake, “A novel machine learning approach for diagnosing diabetes with a self-explainable interface,” Healthc. Anal., vol. 5, 2024, doi: 10.1016/j.health.2024.100301.

N. Ahmed and A. Alpkoçak, “A quantitative evaluation of explainable AI methods using the depth of decision tree,” Turkish J. Electr. Eng. Comput. Sci., vol. 30, no. 6, 2022, doi: 10.55730/1300-0632.3924.