<![CDATA[ABSTRACT The problem of nutritional status in toddlers is still a major problem that needs attention, one of which is malnutrition. Malnutrition problems are directly caused by inadequate food intake, inadequate family economic factors, and caused by underlying diseases such as tuberculosis, heart disease or birth defects. The purpose of this study is to implement the clustering method with the K-Means and Fuzzy C-Means algorithms which aims to evaluate the nutritional status of children under five in general so that it can be used as a basis for early prevention for health workers at the puskesmas to overcome malnutrition. This study uses 4 parameters, namely height, weight, genderand age and uses a silhouette index validation calculation to measure the resulting cluster cohesiveness. From the result of the cluster analysis, the K-Means algorithm gets a validation result of 0.79 with 4 clusters and the Fuzzy C-Means algorithm gets a validation result of 0.78 with 4 clusters. From the two comparison algorithm, the K-Means algorithm gets the best validation because get the highest validation compared to the Fuzzy C-Means algorithm. Keywords: K-means, Fuzzy C-Means, Clustering, Nutrition of children under five ABSTRAK Masalah status gizi pada balita masih menjadi masalah utama yang perlu diperhatikan, salah satunya adalah Gizi buruk. Masalah Gizi buruk secara langsung di sebabkan oleh asupan makanan yang gizinya tidak tercukupi, factor ekonomi keluarga yang tidak memadai, dan disebabkan oleh penyakit yang mendasari seperti TBC, Jantung atau kelainan cacat pada saat lahir. Tujuan dari penelitian ini yaitu, Mengimplementasikan metode klasterisasi dengan algoritma K-Means dan Fuzzy C-Means yang bertujuan untuk mengevaluasi status gizi balita secara umum sehingga dapat dijadikan sebagai dasar pencegahan dini bagi petugas kesehatan di puskesmas untuk menanggulangi gizi buruk. Penelitian ini menggunakan empat parameter yaitu tinggi badan, Berat badan, jenis kelamin dan umur dan menggunakan perhitungan validasi silhouette index untuk mengukur kekompakan cluster yang di hasilkan. Dari hasil dari analisis cluster, algoritma K-Means mendapatkan hasil validasi sebesar 0.79 dengan cluster sebanyak 4 dan algoritma Fuzzy C-Means mendapatkan validasi hasil validasi sebesar 0.78 dengan cluster sebanyak 4. Dari kedua perbandingan algoritma tersebut, algoritma K-Means mendapatkan validasi terbaik karena mendapatkan validasi tertinggi dibandingakan dengan Algoritma Fuzzy CMeans. Kata Kunci: K-Means, Fuzzy C-Means, Clustering, Gizi balita]]>
Copyrights © 2022
