Implementasi Algoritma K-means untuk Klasterisasai Data Stunting di Kabupaten Bekasi

Abstract

Stunting masih menjadi masalah kesehatan kritis yang berdampak pada tumbuh kembang anak, terutama di negara berkembang seperti Indonesia, di mana prevalensinya cukup tinggi dan memerlukan perhatian serius dari berbagai pihak. Stunting dapat menyebabkan gangguan perkembangan fisik dan kognitif anak, serta meningkatkan risiko berbagai penyakit kronis di masa depan. Dalam upaya mendukung program penanggulangan stunting, penelitian ini menerapkan algoritma pengelompokan K-Means untuk mengklasifikasikan kasus stunting di Kabupaten Bekasi berdasarkan berbagai atribut demografi dan kesehatan, seperti usia, berat badan, tinggi badan, status gizi, dan kondisi sosial ekonomi keluarga. Dataset yang digunakan dianalisis dengan pendekatan Knowledge Discovery in Databases (KDD), yang mencakup tahapan seleksi data, pra-pemrosesan, transformasi, serta penerapan metode data mining untuk pengelompokan. Melalui tahapan tersebut, data yang semula tidak terstruktur diolah secara sistematis menjadi informasi yang berguna. Hasil dari penerapan algoritma K-Means menunjukkan bahwa jumlah klaster yang optimal dapat secara efektif membagi data ke dalam beberapa kelompok dengan tingkat risiko stunting yang berbeda-beda. Informasi ini dapat membantu pembuat kebijakan dalam mengidentifikasi kelompok anak dengan risiko tinggi, sehingga strategi intervensi yang dilakukan dapat lebih tepat sasaran, efisien, dan berdampak signifikan terhadap penurunan angka stunting.

GS Cited Analysis