ANALISIS CLUSTER STUNTING DENGAN METODE K-MEANS DI KOTA BINJAI

Relita Buaton; Adek Maulidya; Magdalena Simanjuntak; Ayu Puspita Sari Sinaga

doi:10.52362/jisicom.v9i1.1927

Relita Buaton STMIK Kaputama, Binjai, Sumatera Utara
Adek Maulidya STMIK Kaputama, Binjai, Sumatera Utara
Magdalena Simanjuntak STMIK Kaputama, Binjai, Sumatera Utara
Ayu Puspita Sari Sinaga STMIK Kaputama, Binjai, Sumatera Utara

DOI: https://doi.org/10.52362/jisicom.v9i1.1927

Abstract

Puskesmas berperan penting dalam meningkatkan kesehatan masyarakat. Analisis data kesehatan yang tepat dapat membantu dalam mengidentifikasi kelompok populasi yang membutuhkan perhatian khusus. Sumber daya manusia yang unggul dan berkualitas didasari dengan sumber daya manusia yang sehat dengan indikator tercukupinya asupan gizi sesuai dengan perkembangan usianya. Namun masalah kelaparan dan kekurangan gizi masih dihadapi oleh dunia hingga saat ini. Menurut laporan Unicef, jumlah penduduk yang menderita kekurangan gizi di dunia mencapai 767,9 juta orang pada tahun 2021. Organisasi Kesehatan Dunia (WHO) mengatakan, kekurangan gizi menjadi salah satu ancaman berbahaya bagi kesehatan penduduk dunia. Stunting juga berdampak di Indonesia, prevalensi balita yang mengalami stunting di Indonesia sebanyak 21,6% pada tahun 2022. Penelitian ini bertujuan untuk mengklasifikasikan data kesehatan dari Puskesmas di Binjai menggunakan algoritma K-Means untuk memahami karakteristik setiap kluster.Dilakukan studi lapangan dengan mengolah data hasil penimbangan anak, data diolah dengan menggunakan metode cluster sehingga diperoleh cluster stunting untuk wilayah Kota Binjai yakni kluster 1: mencerminkan kondisi kesehatan yang baik, dengan nilai rata-rata yang rendah pada indikator risiko gizi dan gizi buruk, kluster 2: menunjukkan kondisi yang sangat buruk, dengan nilai yang tinggi pada hampir semua indikator, mencerminkan masalah kesehatan yang serius di populasi tersebut dan kluster 3: menunjukkan kondisi moderat, dengan nilai yang berada di antara kluster 1 dan kluster 2. Hasil analisis menunjukkan bahwa terdapat tiga kluster yang berbeda, masing-masing dengan karakteristik kesehatan yang unik. Pengujian kluster dilakukan dengan menggunakan metode cluster analysis untuk memastikan validitas hasil. Temuan ini diharapkan dapat memberikan rekomendasi bagi pihak dians kesehatan dalam merancang program intervensi kesehatan yang lebih tepat sasaran dengan hasil pengujian Silhouette Score: 0.65, menunjukkan bahwa kluster yang terbentuk cukup baik. Davies-Bouldin Index: 0.3, menunjukkan pemisahan kluster yang baik. Inertia: 1500 menandakan bahwa data terdistribusi dengan baik di sekitar centroid.

Downloads

Download data is not yet available.

References

[1] R. Archda and J. Tumangger, “Hulu-hilir penanggulangan stunting di Indonesia,” 2019.
[2] M. A. Rizaty, “Unicef: 767,9 Juta Penduduk Dunia Menderita Kekurangan Gizi.” 2022, [Online]. Available: https://dataindonesia.id/ragam/detail/unicef-7679-juta-penduduk-dunia-menderita-kekurangan-gizi.
[3] D. Bayu, “Prevalensi Stunting di Indonesia Capai 24,4% pada 2021.” 2022, [Online]. Available: https://dataindonesia.id/ragam/detail/prevalensi-stunting-di-indonesia-capai-244-pada-2021.
[4] K. Rahmadhita, “Permasalahan Stunting dan Pencegahannya Stunting Problems and Prevention,” J. Ilm. Kesehat. Sandi Husada, vol. 11, no. 1, pp. 225–229, 2020, doi: 10.35816/jiskh.v10i2.253.
[5] F. M. Mulyaningrum, M. M. Susanti, and U. A. Nuur, “FAKTOR – FAKTOR YANG MEMPENGARUHI STUNTING PADA BALITA DI KABUPATEN GROBOGAN,” J. Keperawatan dan Kesehat. Masy. STIKES Cendekia Utama Kudus, pp. 74–84, 2021.
[6] R. I. Sutarto, Diana Mayasari, “Stunting , Faktor Resiko dan Pencegahannya Stunting , Risk Factors and Prevention,” Agromedicine, vol. 5, pp. 540–545, 2018.
[7] A. Dwi, L. Id, R. Dwi, W. Id, and N. Amaliah, “Stunting among children under two years in Indonesia : Does maternal education matter ?,” pp. 1–11, 2022, doi: 10.1371/journal.pone.0271509.
[8] R. Buaton, M. Zarlis, H. Mawengkang, and S. Effendi, “Clustering Time Series Data Mining dengan Jarak Kedekatan Manhattan City,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 1155, 2019, doi: 10.30645/senaris.v1i0.129.
[9] T. Warren Liao, “Clustering of time series data - A survey,” Pattern Recognit., vol. 38, no. 11, pp. 1857–1874, 2017, doi: 10.1016/j.patcog.2005.01.025.
[10] R. Buaton, “Analisis Clustering Stunting Dengan Distance Euclid,” Method. J. Tek. Inform. dan Sist. Inf., vol. 10, no. 1, pp. 42–48, 2024, doi: 10.46880/mtk.v10i1.2811.