Identifikasi Faktor Risiko Stunting pada Anak-anak dengan Metode K means Clustering menggunakan Dataset Kaggle

Abstract

Stunting, sebuah masalah gizi kronis, menghambat perkembangan fisik dan kognitif anak-anak di seluruh dunia. Penelitian ini menggunakan metode klastering pada dataset dari Kaggle untuk mengidentifikasi faktor risiko yang terkait dengan stunting. Dataset ini mencakup informasi demografis, asupan gizi, dan kondisi kesehatan anak-anak dari berbagai negara.Dengan menerapkan teknik klastering seperti K-means, Hierarchical, dan DBSCAN, kami mengelompokkan anak-anak berdasarkan atribut mereka. Selanjutnya, kami menganalisis pola dan hubungan antara klaster-klaster ini dengan prevalensi stunting.Hasil penelitian ini memberikan wawasan berharga mengenai faktor-faktor yang berkontribusi terhadap risiko stunting. Temuan ini dapat membantu dalam perencanaan dan implementasi intervensi yang tepat guna untuk mencegah dan mengatasi stunting pada anak-anak. Penelitian ini menunjukkan manfaat metode klastering dalam memahami dinamika stunting dan faktor-faktor yang terkait. Hal ini menekankan pentingnya mengatasi faktor-faktor seperti gizi, status sosioekonomi, dan kondisi kesehatan untuk strategi pencegahan dan intervensi stunting yang efektif.

Klasifikasi Penyakit Jantung Menggunakan Decision Tree dan KNN Menggunakan Ektraksi Fitur PCA

“…Studi oleh Annisa (2019) menggunakan klasifikasi data mining untuk prediksi penyakit jantung dengan metode seperti decision tree, naïve bayes, k-nearest neighbors, KNN, dan decision stump. Hasil penelitian menunjukkan bahwa KNN memiliki akurasi tertinggi, mencapai 80.38% dengan 10-fold cross-validation dan uji-t [14], [15], [16], [17] Penelitian oleh Azhima et al (2022) tentang hybrid machine learning untuk memprediksi penyakit jantung menunjukkan bahwa model hybrid dapat meningkatkan akurasi. KNN mencapai akurasi 83.16%, dan dengan logistic regression mencapai 77.88%.…”

Perbandingan Implementasi Machine Learning Menggunakan Metode KNN, Naive Bayes, dan Logistik Regression Untuk Mengklasifikasi Penyakit Diabetes

“…Melalui pencapaian tujuan-tujuan ini, penelitian ini diharapkan dapat memberikan wawasan mendalam tentang efektivitas metode klasifikasi dalam menangani tantangan klasifikasi data diabetes, dengan potensi aplikasi pada pemahaman dan penanganan penyakit ini secara lebih efisien. [2], [9], [17], [18], [19], [20], [21] II.…”

“…Dalam konteks ini, penggunaan teknik-teknik analisis data dan machine learning dapat memberikan kontribusi besar dalam identifikasi dan klasifikasi kasus diabetes. Metode klasifikasi, seperti K-Nearest Neighbor (KNN), Naive Bayes, dan Logistic Regression, dapat digunakan untuk memproses data dan memberikan prediksi yang berguna dalam pengelolaan penyakit ini [1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17], [18], [19], [20], [21], [22], [23], [24], [26], [27] Penelitian ini dilatarbelakangi oleh kebutuhan untuk memahami dan membandingkan efektivitas KNN, Naive Bayes, dan Logistic Regression dalam mengklasifikasikan data diabetes. Dengan melibatkan ekstraksi fitur menggunakan Principal Component Analysis (PCA), penelitian ini bertujuan untuk mengidentifikasi metode klasifikasi mana yang paling optimal dan dapat memberikan kontribusi signifikan dalam mendukung diagnosis dini serta pengelolaan penyakit diabetes.…”