<![CDATA[Kemampuan untuk mengelola dan menganalisis data menjadi sangat penting di era informasi saat ini, terutama dalam industri yang memerlukan pengambilan keputusan berdasarkan data yang kompleks dan beragam. Studi ini bertujuan untuk mengevaluasi efektivitas dua algoritma pengelompokan, yaitu K-Means dan Fuzzy C-Means, dalam mengelompokkan data balita untuk mengidentifikasi pola pertumbuhan dan kondisi kesehatan. Dengan menggunakan Silhouette Index sebagai alat evaluasi, penelitian ini menganalisis kualitas clustering dari kedua algoritma tersebut. Data penelitian dikumpulkan dari survei lapangan di Posyandu pada tahun 2024, mencakup 700 balita dengan indikator utama yaitu nama, berat badan, dan tinggi badan. Data ini kemudian diproses menggunakan algoritma K-Means dan Fuzzy C-Means, dengan hasil validitas melalui Silhouette Index untuk menetapkan total cluster yang paling efisien. Hasil penelitian memperlihatkan bahwa algoritma FCM memiliki nilai validitas tertinggi yaitu 0.564 yang memiliki jumlah cluster optimal yaitu dua cluster, dibandingkan dengan algoritma K-Means yang mempunyai nilai validasi sebesar 0.563. Kesimpulan penelitian ini memperlihatkan algoritma Fuzzy C-Means lebih efektif untuk menentukan kelompok data balita dibandingkan dengan K-Means. Hasil ini diharapkan bisa memberikan kontribusi terhadap pengembangan kebijakan dan program kesehatan anak yang lebih baik, dengan pemahaman yang lebih mendalam mengenai pola pertumbuhan dan kondisi kesehatan balita. Untuk penelitian selanjutnya, disarankan menggunakan data terbaru dan membandingkan dengan metode clustering lainnya untuk mendapatkan hasil yang lebih komprehensif.]]>
