Performansi Algoritma Clustering K-Means untuk Penentuan Status Malnutrisi pada Balita
DOI:
https://doi.org/10.55606/isaintek.v6i02.128Keywords:
Malnutrition, K-Means, Clustering, Data miningAbstract
Malnutrition has always been a global problem and is the main cause of child mortality in developing countries. Nutritional status is a measure of success in meeting the nutritional needs of toddlers which can be seen from the achievement of toddler's weight. The short-term effects of malnutrition on toddlers are physical growth disorders in children, metabolic disorders, brain development disorders, and intelligence disorders. In the long term, malnutrition will cause a decrease in learning outcomes and cognitive abilities, decreased immunity, the risk of developing diabetes, heart and blood vessel disease, obesity, stroke, cancer, and disability in old age. To find out about the growth and development of early childhood, especially in relation to the development of early childhood nutritional values, regular measurements of the height and weight of toddlers from an early age are carried out through Posyandu activities. Toddler height and weight data will be grouped according to the nutritional characteristics of each toddler. In this study, infants will be clustered based on their nutritional characteristics using the K-Means algorithm clustering method. Based on the evaluation results, the number of clusters 3 is more optimal than the number of clusters 5 in the toddler dataset used in the study. It is hoped that the research results obtained can serve as a basis or recommendation material for posyandu throughout Indonesia to determine the nutritional status of the under-five age group, so that the handling is more appropriate and can help prevent malnutrition in under-fives.
References
Andayani, S. (2016). Pembentukan Cluster dalam Knowledge Discovery in Database dengan Algoritma K-Means. Seminar Nasional Matematika Dan Pendidikan Matematika 2007, 1–10.
Annur, C. M. (2023). Selain Stunting, Ini Deretan Masalah Gizi yang Kerap Dialami Balita di Indonesia. 3 Februari 2023. https://databoks.katadata.co.id/datapublish/2023/02/03/selain-stunting-ini-deretan-masalah-gizi-yang-kerap-dialami-balita-di-indonesia
Apriliyaningsih, I. D., & Istiawan, D. (2017). Penerapan Seleksi Atribut Berdasarkan Koefisien Variansi dan Korelasi untuk Inisialisasi Pusat Awal Klaster pada Algoritma K-Means dalam Pemetaan E-Government Tahun 2016. Jurnal University Research Colloquium 2017 Universitas Muhammadiyah Magelang, 245–250.
Aryani, L. D., & Riyandry, M. A. (2019). Vitamin D sebagai Terapi Potensial Anak Gizi Buruk. Jurnal Penelitian Perawat Profesional, 1(1), 61–70.
Atika, P. D., & Priatna, W. (2020). Modul Data Mining. Fakultas Ilmu Komputer Universitas Bhayangkara Jakarta Raya.
Berkhin, P. (2003). Survey of Clustering Data Mining Techniques. Accrue Software.
Chandra, M. D., Irawan, E., Saragih, I. S., Windarto, A. P., & Suhendro, D. (2021). Penerapan Algoritma K-Means dalam Mengelompokkan Balita yang Mengalami Gizi Buruk Menurut Provinsi. BIOS: Jurnal Teknologi Informasi Dan Rekayasa Komputer, 2(1), 30–38.
Dennis Aprilla C, Donny Aji Baskoro, Ambarwati, L., & Wicaksana, I. W. S. (2013). Belajar Data Mining dengan Rapid Miner (Remi Sanjaya (ed.)). Open Content Model.
Dhuhita, W. M. P. (2015). Clustering Menggunakan Metode K-Means untuk Menentukan Status Gizi Balita. Jurnal Informatika, 15(2), 160--174.
Dinas Kesehatan Kabupaten Lima Puluh Kota. (2015). Malnutrisi, RI bisa Kehilangan Potensi Ekonomi 3 Persen PDB. https://dinkes.limapuluhkotakab.go.id
Dona, & Rifqi, M. (2022). Penerapan Metode K-Means Clustering untuk Menentukan Status Gizi dan Gizi Buruk pada Balita (Studi Kasus Kabupaten Rokan Hulu). RABIT: Jurnal Teknologi Dan Sistem Informasi Univrab, 7(2), 179–191.
Everitt, B. (1980). Cluster Analysis. Gower Pub Co.
Fitriyanto, R. E., & Mahfudz, S. (2020). Management of Severe Malnutrition of Under Five Years Old Patients in RSUD Wonosari. AJIE - Asian Journal of Innovation and Entrepreneurship, 5(1), 20–26.
Garcia-Molina, H., Ullman, J. D., & Widom, J. D. (2001). Database Systems the Complete Book (Pearson Education Inc. (ed.); Second Edi). Pearson Prentice Hall.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining, Concepts and Techniques (Third Edit). Morgan Kaufmann Publishers.
Harsemadi, I. G., & Sudarma, I. M. (2017). Penggolongan Musik Terhadap Suasana Hati Menggunakan Metode K-Means. Jurnal Konferensi Nasional Sistem Dan Informatika 2017, 49–54.
Hartanti, N. T. (2020). Metode Elbow dan K-Means Guna Mengukur Kesiapan Siswa SMK dalam Ujian Nasional. Jurnal Nasional Teknologi Dan Sistem Informasi, 6(2), 82–89.
Hasibuan, Z. A. (2007). Metodologi Penelitian pada Bidang Ilmu Komputer dan Teknologi Informasi, Konsep, Teknik dan Aplikasi. In Desain Penelitian (p. 81). Fakultas Ilmu Komputer Universitas Indonesia.
Irfiani, E., & Rani, S. S. (2018). Algoritma K-Means Clustering untuk Menentukan Nilai Gizi Balita. JUSTIN: Jurnal Sistem Dan Teknologi Informasi, 6(4), 161–168.
John, C. C., Black, M. M., & Nelson, C. A. (2017). Neurodevelopment: The Impact of Nutrition and Inflammation during Early to Middle Childhood in Low-Resource Settings. Pediatrics, 139(1), 59–71.
Kementrian Kesehatan Republik Indonesia. (2019). Kemenkes Tingkatkan Status Gizi Masyarakat. https://www.kemkes.go.id/article/view/19081600004/kemenkes-tingkatkan-status-gizi-masyarakat.html
Lailani, F. K., Yuliana, & Yulastri, A. (2022). Masalah Terkait Malnutrisi: Penyebab, Akibat, dan Penanggulangannya. JGK: Jurnal Gizi Dan Kesehatan, 2(2), 129–138.
Larose, D. T. (2006). Data Mining Methods and Models. John Wiley & Sons, Inc.
Martiana, E. (2003). Data Preprocessing. In Data Preprocessing (pp. 1–13). Soft Computation Research Group,EEPIS - ITS.
Mukhtar, M. (2007). Pedoman Penulisan Karya Ilmiah. STAIN.
Nalendra, A. K. (2018). Pengukuran Keakuratan Metode K-Means untuk Menentukan Status Gizi Balita. Jurnal Ekonomi Dan Teknik Informatika, 6(2), 48–54.
Ning Tan Pang, Steinbach, M., & Vipin Kumar. (2004). Data Mining Cluster Analysis: Basic Concepts and Algorithms (pp. 1–52). https://doi.org/10.21803/penamer.6.10.137
Octaviyani, N. R., Mayasari, R., & Susilawati. (2022). Implementasi Algoritma K-Means Clustering Status Gizi Balita. Jurnal Ilmiah Wahana Pendidikan, 8(13), 370–381.
Papotot, G. S., Rompies, R., & Salendu, P. M. (2021). Pengaruh Kekurangan Nutrisi terhadap Perkembangan Sistem Saraf Anak. Jurnal Biomedik, 13(3), 266–273.
Peraturan Menteri Kesehatan Republik Indonesia Nomor 2 Tahun 2020 tentang Standar Antropometri Anak, (2020) (testimony of Menteri Kesehatan Republik Indonesia). http://hukor.kemkes.go.id/uploads/produk_hukum/PMK_No__2_Th_2020_ttg_Standar_Antropometri_Anak.pdf
Perdana, H. M., Darmawansyih, & Faradillah, A. (2020). Gambaran Faktor Risiko Malnutrisi pada Anak Balita di Wilayah Kecamatan Tamalanrea Kota Makassar Tahun 2019. UMI Medical Journal, 5(1), 50–56.
Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi Menggunakan Matlab. Andi Yogyakarta.
Puspapertiwi, E. R. (2023). Hari Gizi Nasional 2023, Kenali Ciri dan Akibat Anak Kekurangan Gizi. 25 Januari 2023. https://www.kompas.com/tren/read/2023/01/25/161500865/hari-gizi-nasional-2023-kenali-ciri-dan-akibat-anak-kekurangan-gizi?page=all
Rahmat, C. A., Permatasari, H., Rasywir, E., & Pratama, Y. (2023). Penerapan K-Means untuk Clustering Kondisi Gizi Balita pada Posyandu. Jurnal Media Informatika Budidarma, 7(1), 207–213.
Riandari, F., & Simangunsong, A. (2019). Penerapan Algoritma C4.5 untuk Mengukur Tingkat Kepuasan Mahasiswa. Jurnal Mantik Penusa, 3(2), 1–7.
Riskesdas. (2010). Riset Kesehatan Dasar Tahun 2010.
Saranya, C., & Manikandan, G. (2013). A Study on Normalization Techniques for Privacy Preserving Data Mining. International Journal of Engineering and Technology (IJET), 5(3), 2701–2704.
Sulastri, H., & Gufroni, A. I. (2017). Penerapan Data Mining dalam Pengelompokkan Penderita Thalassaemia. Jurnal Teknologi Dan Sistem Informasi, 3(2), 299–305.
Sulastri, H., Mubarok, H., & Iasha, S. S. (2021). Implementasi Algoritma Machine Learning untuk Penentuan Cluster Status Gizi Balita. JURTI: Jurnal Rekayasa Teknologi Informasi, 5(2), 184–191.
Sulistyawati, A. (2019). Faktor Risiko Kejadian Gizi Buruk pada Balita di Dusun Teruman Bantul. Jurnal Kesehatan Madani Medika, 10(1), 13–19.
Syaripul, N. A., & Bachtiar, A. M. (2016). Visualisasi Data Interaktif Data Terbuka Pemerintah Provinsi DKI Jakarta: Topik Ekonomi dan Keuangan Daerah. Jurnal Sistem Informasi (Journal of Information Systems), 12(2), 82–89.
Tuckman, B. W. (1978). Conducting Educational Research. Harcourt Brace Jovanovich.
Uppada, S. K. (2014). Centroid Based Clustering Algorithms - A Clarion Study. International Journal of Computer Science and Information Technologies, 5(6), 7309–7313. http://ijcsit.com/docs/Volume 5/vol5issue06/ijcsit2014050688.pdf
Wahyuni, I., Auliya, Y. A., Rahmi, A., & Mahmudy, W. F. (2016). Clustering Nasabah Bank Berdasarkan Tingkat Likuiditas Menggunakan Clustering Nasabah Bank Berdasarkan Tingkat Likuiditas Menggunakan Hybrid Particle Swarm Optimization dengan K-Means. Jurnal Ilmiah Teknologi Dan Informasi Asia (JITIKA), 10, 24–33.
Wijanarko, T. S. (2017). Algoritma K-Means dan K-Medoids Berbasis Measure Distance Metode untuk Pengelompokkan Status Desa. Universitas Dian Nuswantoro Semarang.
Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining Third Edition. Elsevier Inc.
Xu, R., & Wunsch, D. (2008). Clustering. Wiley-IEEE Press.
Zannah, K., Sumarno, Nasution, Z. M., Parlina, I., & Sari, I. P. (2022). Model Clustering Menggunakan Algoritma K-Means dalam Menentukan Kriteria Kondisi Gizi Balita dan Anak. JUTEKIN: Jurnal Teknik Informatika, 10(1), 25–34.