Implementasi Algoritma K-Means dalam Klasterisasi Kasus Stunting pada Balita di Desa Randudongkal

Abstract

Stunting di Indonesia adalah sebuah masalah yang cukup serius untuk diselesaikan. Stunting sudah berdampak 21,9% atau kisaran 149 juta anak pada usia di bawah usia 5 tahun, yang sudah membuat kasus kematian sebanyak 45% karena stunting. Hal tersebut menjadikan Desa Randudongkal harus diperhatikan mengenai kasus stunting. Menggunakan metode algoritma K-Means yang dapat menganalisis dengan baik, karena K-Means merupakan sebuah algoritma pengelompokkan atau klastering data ke dalam beberapa kelompok atau klaster. Metode K-Means ini juga banyak digunakan oleh para peneliti untuk menganalisis kasus stunting. Adapun teknik pengumpulan data yang digunkaan adalah teknik observasi, peneliti datang langsung ke Puskesmas Randudongkal untuk melakukan wawancara dan pengumpulan data, dan di dapatkan sejumlah 200 dataset dalam observasi yang telah dilakukan. Penelitian yang dilakukan mengguakan metode Knowledge Discovery in Database (KDD) yang merujuk pada proses ekstrasi pengetahuan yang berguna, tersembunyi, dan potensial suatu basis data. Hasil dari penelitian yang telah dilakukan menghasilkan sebanyak 190 balita stunting dan 10 balita normal, dengan perhitungan analisis Davies-Boudlin Index (DBI) performa yang optimal adalah dari perhitungan K-9 yang menghasilkan analisis sebesar -0,673 yang berarti memiliki evaluasi cluster dengan baik karena nilai hasil perhitungannya mendekati 0.

A Nature-Inspired Partial Distance-Based Clustering Algorithm

“…Within hierarchical techniques, popular methods include single linkage [2], average linkage [3], and complete linkage [4]. On the other hand, partitional techniques feature well-known approaches such as K-means [5,6], PAM [7], and CLARA [7]. Figure 1 depicts the traditional clustering techniques.…”