<![CDATA[Penelitian ini mengintegrasikan metode Principal Component Analysis (PCA) dan K-Means clustering untuk melakukan klasterisasi multivariat pada dataset stunting. PCA diterapkan untuk mengurangi dimensi data yang kompleks, dengan mempertahankan sekitar 69,65% dari variansi total melalui 17 komponen utama, sehingga analisis menjadi lebih efisien tanpa kehilangan informasi penting. Setelah reduksi dimensi, algoritma K-Means digunakan untuk mengelompokkan individu berdasarkan kesamaan karakteristik, dengan jumlah cluster optimal ditentukan menggunakan analisis Within-Cluster Sum of Squares (WCSS). Hasil klasterisasi membagi data menjadi dua cluster yang memiliki perbedaan karakteristik, yang mencerminkan variasi dalam faktor-faktor yang mempengaruhi stunting, seperti status gizi, akses terhadap layanan kesehatan, dan faktor sosial ekonomi. Penerapan PCA dan K-Means clustering memberikan pemahaman yang lebih jelas mengenai pola dan distribusi faktor penyebab stunting, serta mendukung analisis stunting lebih lanjut.]]>
Copyrights © 2025
