Penerapan Algoritma K-Means Dalam Proses Klasterisasi Balita Stunting Di Kecamatan Geyer

Arindhya Ratna Hayuningtyas; Dhika Malita Puspita Arum; Eko Supriyadi

doi:10.36309/goi.v31i2.420

Penerapan Algoritma K-Means Dalam Proses Klasterisasi Balita Stunting Di Kecamatan Geyer

https://doi.org/10.36309/goi.v31i2.420
Arindhya Ratna Hayuningtyas^(1*)

, Dhika Malita Puspita Arum⁽²⁾, Eko Supriyadi⁽³⁾

Affiliation

(1) Program Studi Ilmu Komputer, Universitas An Nuur, Grobogan
(2) Program Studi Ilmu Komputer, Universitas An Nuur, Grobogan
(3) Program Studi Ilmu Komputer, Universitas An Nuur, Grobogan
(*) Corresponding Author

How to Cite

Cite this Item

Abstract

Stunting merupakan permasalahan gizi kronis akibat kekurangan nutrisi jangka panjang dan infeksi berulang, yang menghambat pertumbuhan anak. Di Indonesia, angka prevalensi stunting masih berada pada tingkat yang cukup tinggi dan belum memenuhi target nasional, yaitu 14% pada tahun 2024. Jawa Tengah mencatat angka 20,7% pada tahun 2023. Kabupaten Grobogan melaporkan 9,15% balita telah terindikasi stunting. Penanganan stunting membutuhkan pendekatan berbasis data, salah satunya melalui algoritma K-Means Clustering yang mampu mengelompokkan data secara efektif. Penelitian dengan metode tersebut untuk mengelompokkan balita stunting di Kecamatan Geyer. Tiga proses dilakukan secara berurutan: klasterisasi berdasarkan usia, klasterisasi berdasarkan kombinasi usia, berat badan, dan tinggi badan, serta analisis distribusi wilayah berdasarkan hasil klaster. Hasil klaster menunjukkan bahwa balita dapat dikelompokkan ke dalam beberapa klaster dengan kemiripan karakteristik pertumbuhan. Evaluasi menggunakan Silhouette Coefficient menghasilkan nilai yang cukup optimal di setiap prosesnya. Dengan nilai evaluasi yang dihasilkan menggunakan Sillhouette Coefficient, Algoritma K-Means mampu memberikan gambaran awal mengenai karakteristik balita stunting dan dapat dimanfaatkan untuk mendukung perencanaan intervensi gizi secara lebih terstruktur.

Keywords

k-means; klastering; silhouette coefficient; stunting

Full Text:

PDF HAL. 280-289

References

DHIKA MALITA PUSPITA ARUM, KARTIKA IMAM SANTOSO, ANDRI TRIYONO, EKO SUPRIYADI, AGUS SUSILO NUGROHO, and E. Widodo, “ALGORITMA RANDOM FOREST, DECISION TREE, DAN XGBOOST UNTUK KLASIFIKASI STUNTING PADA BALITA,” Jurnal Transformatika, vol. 23, no. 1, pp. 67–76, Jul. 2025, doi: 10.26623/transformatika.v23i1.12202.

D. M. Anjani, Nurhayati Sri, and immawarti, “PENERAPAN PENDIDIKAN KESEHATAN TERHADAP PENGETAHUAN IBU TENTANG STUNTING PADA BALITA DI WILAYAH KERJA UPTD PUSKESMAS RAWAT INAP BANJARSARI METRO UTARA,” 2024.

D. D. Astuti, T. W. Handayani, and D. P. Astuti, “Cigarette smoke exposure and increased risks of stunting among under-five children,” Clin Epidemiol Glob Health, vol. 8, no. 3, pp. 943–948, Sep. 2020, doi: 10.1016/j.cegh.2020.02.029.

R. Anugrah Kahar and N. Anugra, “PENGGUNAAN LABORATORIUM VIRTUAL DALAM MENINGKATKAN HASIL BELAJAR IPA UJI ZAT MAKANAN (KARBOHIDRAT),” 2023. [Online]. Available: www.olabs.edu.in.

I. Risnawati and D. Munafiah, “UPAYA PENCEGAHAN STUNTING MELALUI PEMBERIAN MAKANAN SEIMBANG DAN STUNTING MASSAGE,” 2022.

S. P. Gunawan and M. Adriani, “Attribution-NonCommercial-ShareAlike license (CC BY-NC-SA 4.0). OBESITAS DAN TINGKAT STRES BERHUBUNGAN DENGAN HIPERTENSI PADA ORANG DEWASA DI KELURAHAN KLAMPIS NGASEM, SURABAYA,” Media Gizi Indonesia. 2020, vol. 15, no. 2, pp. 119–126, 2020, doi: 10.204736/mgi.v15i2.119-126.

Kementerian Kesehatan Republik Indonesia, “SSGI 2024: Prevalensi Stunting Nasional.” Accessed: Sep. 12, 2025. [Online]. Available: https://www.badankebijakan.kemkes.go.id/en/ssgi-2024-prevalensi-stunting-nasional-turun-menjadi-198/

M. Syahril, K. Erwansyah, and M. Yetri, “J-SISKO TECH Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD Penerapan Data Mining Untuk Menentukan Pola,” ◼, vol. 118, no. 1, pp. 118–136, 2020.

M. I. Fianty, M. E. Johan, A. Aulia, and M. M. Veronica, “Application of Clustering-Based Data Mining for the Assessment of Nutritional Status in Toddlers at Community Health Centers,” Journal of Information Systems and Informatics, vol. 5, no. 4, pp. 1350–1362, Dec. 2023, doi: 10.51519/journalisi.v5i4.586.

N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” Jurnal Ilmiah Informatika dan Ilmu Komputer (JIMA-ILKOM), vol. 3, no. 1, pp. 46–56, Mar. 2024, doi: 10.58602/jima-ilkom.v3i1.26.

P. Berkhin, “Survey of Clustering Data Mining Techniques,” 2022.

I. D. Sintawati, W. Widiarina, and K. Mariskhana, “Analysis of Malnutrition Status in Toddlers Using the K-MEANS Algorithm Case Study in DKI Jakarta Province,” sinkron, vol. 8, no. 4, pp. 2318–2324, Oct. 2024, doi: 10.33395/sinkron.v8i4.14087.

A. Cicchella, C. Stefanelli, and M. Massaro, “Upper respiratory tract infections in sport and the immune system response. A review,” May 01, 2021, MDPI AG. doi: 10.3390/biology10050362.

A. Yudhistira and R. Andika, “Pengelompokan Data Nilai Siswa Menggunakan Metode K-Means Clustering,” Journal of Artificial Intelligence and Technology Information (JAITI), vol. 1, no. 1, pp. 20–28, Feb. 2023, doi: 10.58602/jaiti.v1i1.22.

N. Buslim, R. Pradono Iswara, and F. Agustian, “THE MODELING OF ‘MUSTAHIQ’ DATA USING K-MEANS CLUSTERING ALGORITHM AND BIG DATA ANALYSIS (CASE STUDY: LAZ),” Jurnal Teknik Informatika, vol. 13, no. 2, 2020.

A. Rohmah et al., “IMPLEMENTASI ALGORITMA K-MEANS CLUSTERING ANALYSIS UNTUK MENENTUKAN HAMBATAN PEMBELAJARAN DARING (STUDI KASUS: SMK YASPIM GEGERBITUNG),” 2021. [Online]. Available: https://www.alfasoleh.com/2019/11/k-means-clustering-contoh

L. E. Ekemeyong Awong and T. Zielinska, “Comparative Analysis of the Clustering Quality in Self-Organizing Maps for Human Posture Classification,” Sensors, vol. 23, no. 18, Sep. 2023, doi: 10.3390/s23187925.