Analisis Status Gizi Anak Menggunakan Metode Klastering pada Dataset Anthropometri

Authors

    Joang Ipmawati( 1 ) Ilham Unggara( 2 )

    (1) Universitas Nahdlatul Ulama Yogyakarta
    (2) Universitas Nahdlatul Ulama Yogyakarta

DOI:


https://doi.org/10.32877/bt.v7i2.1869

Keywords:


Anthropometr, K-means, Klusterin, Stunting, Status Gizi

Abstract

Stunting merupakan salah satu masalah kesehatan masyarakat yang serius di Indonesia, memengaruhi pertumbuhan fisik dan kognitif anak-anak. Penelitian ini bertujuan untuk mengelompokkan status gizi anak-anak berdasarkan data antropometri untuk mengidentifikasi kelompok risiko tinggi stunting. Dataset yang digunakan terdiri dari 120.000 entri dengan variabel umur (bulan), tinggi badan (cm), jenis kelamin, dan status gizi, yang diperoleh dari sumber sekunder. Metode penelitian menggunakan algoritma K-Means untuk klasterisasi data dengan jumlah klaster optimal ditentukan melalui metode Elbow dan Silhouette Score. Proses analisis melibatkan tahap preprocessing, klasterisasi, dan validasi serta evaluasi eksternal. Hasil penelitian menunjukkan bahwa data dapat dikelompokkan ke dalam empat klaster dengan karakteristik yang berbeda. Klaster 0 dan Klaster 2 didominasi oleh anak usia muda (0–35 bulan) dengan rata-rata tinggi badan masing-masing 74.34 cm dan 73.13 cm, yang mencerminkan kelompok risiko tinggi stunting. Sebaliknya, Klaster 1 dan Klaster 3 mencakup anak-anak dengan pertumbuhan optimal, dengan rata-rata tinggi badan di atas 100 cm. Analisis korelasi menunjukkan hubungan signifikan antara tinggi badan, umur, dan status gizi, mendukung pentingnya intervensi gizi pada kelompok risiko tinggi. Penelitian ini memberikan kontribusi penting dalam upaya pencegahan stunting melalui identifikasi kelompok risiko tinggi secara lebih terarah. Temuan ini relevan untuk mendukung program kesehatan masyarakat di Indonesia, khususnya dalam merancang intervensi berbasis data untuk meningkatkan status gizi anak-anak. Pendekatan klasterisasi berbasis machine learning yang digunakan membuktikan efektifitasnya dalam memetakan pola pertumbuhan anak, sehingga dapat digunakan untuk mendukung perencanaan kebijakan yang lebih efisien.

Downloads

Download data is not yet available.

References

W. Lestari, I. Samidah, and F. Diniarti, ‘Determinant Analysis of Stunting Incidence in Toddlers in Lubuklinggau City’, Jurnal EduHealth, vol. 14, no. 3, pp. 1141–1153, Aug. 2023, doi: 10.54209/jurnaleduhealth.v14i3.2509.

R. M. Kusuma and R. A. Hasanah, ‘Antropometri Pengukuran Status Gizi Anak Usia 24-60 Bulan Di Kelurahan Bener Kota Yogyakarta Reni Merta Kusuma, Rizki Awalunisa Hasanah’, 2018.

E. Virantika, K. Kusnawi, and J. Ipmawati, ‘Evaluasi Hasil Pengujian Tingkat Clusterisasi Penerapan Metode K-Means Dalam Menentukan Tingkat Penyebaran Covid-19 di Indonesia’, JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 3, p. 1657, Jul. 2022, doi: 10.30865/mib.v6i3.4325.

E. Nurjannah, M. Nasution, and R. Muti’ah, ‘Data Mining Clustering Analysis of Child Growth and Development Using the K-Means Method’, sinkron, vol. 8, no. 3, pp. 1909–1919, Jul. 2024, doi: 10.33395/sinkron.v8i3.13817.

A. Rosari et al., ‘Developing a Nutritional Assessment Tool for Toddlers Using Anthropometry and IoT Technology’, International Journal of Advanced Health Science and Technology, vol. 4, no. 2, pp. 67–71, Apr. 2024, doi: 10.35882/ijahst.v4i2.319.

A. Ali, ‘Clustering Data Antropometri Balita Untuk Menentukan Status Gizi Balita Di Kelurahan Jumput Rejo Sukodono Sidoarjo’, JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 7, no. 3, pp. 395–407, Dec. 2020, doi: 10.35957/jatisi.v7i3.530.

S. S. Nagari and L. Inayati, ‘Implementation Of Clustering Using K-Means Method To Determine Nutritional Status’, Jurnal Biometrika dan Kependudukan, vol. 9, no. 1, p. 62, Jun. 2020, doi: 10.20473/jbk.v9i1.2020.62-68.

M. Razzaq, S. Masood, S. Bakhsh, F. A. Raza, N. Azam, and R. Asif, ‘Assessment of Nutritional Status Using Composite Index of Anthropometric Failure Among Children Aged < 5 Years and its Correlates’, Pakistan Journal of Public Health, vol. 14, no. Special.NI, pp. 139–143, Aug. 2024, doi: 10.32413/pjph.v14iSpecial.ni.1323.

Agus Widyawati and Titih Huriah, ‘Comparison of the Effectiveness of Portable and Manual Digital Anthropometrics in Early Detection of Stunting in Children Literature Review’, International Journal For Multidisciplinary Research, vol. 6, no. 4, Aug. 2024, doi: 10.36948/ijfmr.2024.v06i04.26986.

M. Ratuanik et al., ‘Classification of villages in Tanimbar Islands based on stunting service packages using the K-Means Algorithm’, 2024.

A. Simanjuntak and M. S. Hasibuan, ‘Application of PCA and K-Means Clustering Methods to Identify Diabetes Mellitus Patient Groups Based on Risk Factors’, Prisma Sains: Jurnal Pengkajian Ilmu dan Pembelajaran Matematika dan IPA IKIP Mataram, vol. 11, no. 4, p. 1002, Oct. 2023, doi: 10.33394/j-ps.v11i4.9263.

I. P. Sari, Al-Khowarizmi, O. K. Sulaiman, and D. Apdilah, ‘Implementation of Data Classification Using K-Means Algorithm in Clustering Stunting Cases’, Journal of Computer Science, Information Technology and Telecommunication Engineering, vol. 4, no. 2, Sep. 2023, doi: 10.30596/jcositte.v4i2.15765.

D. A. Setiady and H. Leong, ‘Implementation Of K-Means Algorithm Elbow Method And Silhouette Coefficient For Rainfall Classification’, Proxies: Jurnal Informatika, vol. 4, no. 1, pp. 18–25, Aug. 2024, doi: 10.24167/proxies.v4i1.12433.

M. F. Amalia and D. B. Arianto, ‘Implementasi Algoritma K-Means Clustering Dalam Klasterisasi Kabupaten/Kota Provinsi Jawa Barat Berdasarkan Faktor Pemicu Stunting Pada Balita’, SIMKOM, vol. 9, no. 1, pp. 36–46, Jan. 2024, doi: 10.51717/simkom.v9i1.356.

C. A. Sugianto and K. K. Wanaziana, ‘Optimasi Algoritma K-Means Menggunakan Metode Elbow Pada Data Penerima Program Keluarga Harapan (PKH)’, 2024. [Online]. Available: https://e-journal.unper.ac.id/index.php/informatics

V. A. Permadi, S. P. Tahalea, and R. P. Agusdin, ‘K-Means And Elbow Method For Cluster Analysis Of Elementary School Data’, PROGRES PENDIDIKAN, vol. 4, no. 1, pp. 50–57, Jan. 2023, doi: 10.29303/prospek.v4i1.328.

I. S. Pratama, ‘Prevalensi Malnutrisi Berdasarkan Indeks Antropometri Tunggal dan Komposit pada Anak Usia Sekolah di SDN Cibodas’, Unram Medical Journal, vol. 7, no. 2, p. 6, Jun. 2018, doi: 10.29303/jku.v7i2.175.

Kementerian Kesehatan RI, Buku Saku Hasil Survei Status Gizi Indonesia (SSGI) 2022. Jakarta: Kementerian Kesehatan RI, 2022.

K. Kusnawi, J. Ipmawati, B. P. Asadulloh, A. Aminuddin, F. F. Abdulloh, and M. Rahardi, ‘Leveraging Various Feature Selection Methods for Churn Prediction Using Various Machine Learning Algorithms’, JOIV: International Journal on Informatics Visualization, vol. 8, no. 2, p. 897, May 2024, doi: 10.62527/joiv.8.2.2453.

A. Saputra and R. Yusuf, ‘Perbandingan Algoritma DBSCAN dan K-MEANS dalam Segmentasi Pelanggan Pengguna Transportasi Publik Transjakarta Menggunakan Metode RFM’, MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 4, pp. 1346–1361, Jul. 2024, doi: 10.57152/malcom.v4i4.1516.

F. L. Dennig et al., ‘The Categorical Data Map: A Multidimensional Scaling-Based Approach’, Cornell University, Apr. 2024.

Downloads

Published

2024-12-27

How to Cite

[1]
J. Ipmawati and I. Unggara, “Analisis Status Gizi Anak Menggunakan Metode Klastering pada Dataset Anthropometri”, bit-Tech, vol. 7, no. 2, pp. 494–504, Dec. 2024.

Issue

Vol. 7 No. 2 (2024): bit-Tech

Section

Articles

License

Copyright (c) 2024 bit-Tech

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

I hereby assign and transfer to bit-Tech all exclusive copyright ownership rights to the above work. This includes, but is not limited to, the right to publish, republish, downgrade, distribute, transmit, sell, or use the work and other related materials worldwide, in whole, or in part, in all languages, in electronic, printed, or any other form of media, now known or hereafter developed and reserves the right to permit or license a third party to do any of the above. I understand that this exclusive right will belong to bit-Tech from the date the article is accepted for publication. I also understand that bit-Tech, as the copyright owner, has sole authority to license and permit reproduction of the article. I understand that, except for copyright, any other proprietary rights associated with the work (e.g. patents or other rights to any process or procedure) must be retained by the author. In addition, I understand that bit-Tech permits authors to use their papers in any way permitted by the applied Creative Commons license.

DOI : https://doi.org/10.32877/bt.v7i2.1869
Abstract views: 20 / PDF downloads: 14