<![CDATA[Stunting merupakan indikator status gizi kronis yang mencerminkan pertumbuhan terhambat karena kekurangan gizi jangka panjang. Penyebabnya termasuk pola makan yang buruk, penyakit menular, dan masalah lingkungan. Penelitian ini bertujuan membandingkan efektivitas dua algoritma clustering, yaitu K-Means dan Partitioning Around Medoids (PAM), dalam pengelompokan data balita yang mengalami stunting. Dalam penelitian ini, dataset yang digunakan mencakup data balita dengan beberapa variabel penting, seperti Nama, Jenis Kelamin, berat badan, tinggi badan dan faktor penyebab stunting. Analisis clustering dilakukan dengan menggunakan software RapidMiner dan hasil clustering dievaluasi menggunakan Davies-Bouldin Index (DBI). Hasil menunjukkan bahwa algoritma K-Means dan PAM memberikan hasil clustering yang berbeda, K-Means menghasilkan nilai DBI yang lebih rendah menunjukkan cluster yang lebih baik dalam pengelompokan balita stunting yaitu 0,005 sedangkan K- Medoids menghasilkan nilai 0,011. Integrasi kedua metode ini memberikan pendekatan yang lebih optimal untuk mendukung penyuluhan penyakit stunting, yang dapat membantu program intervensi yang lebih tepat sasaran. Selain itu, penelitian ini juga menunjukkan pentingnya kerjasama dengan Puskesmas untuk mengumpulkan data yang akurat dan relevan guna mendukung program pengentasan stunting di daerah yang berisiko tinggi.]]>
Copyrights © 2024
