Penerapan Data Mining untuk Pengelompokan Status Gizi Balita Menggunakan Algoritma K-Means: Application of Data Mining for Clustering Toddler Nutritional Status Using K-Means Algorithm

M Nur Izza Akbar Alfajri; Suaidah Suaidah

doi:10.57152/malcom.v6i4.2780

Authors

M Nur Izza Akbar Alfajri Universitas Teknokrat Indonesia
Suaidah Suaidah Universitas Teknokrat Indonesia

DOI:

https://doi.org/10.57152/malcom.v6i4.2780

Keywords:

K-Means Clustering, Posyandu, Silhouette Score, Status Gizi Balita, Stunting

Abstract

Pemantauan pertumbuhan balita memberikan informasi penting tentang status gizi dan risiko stunting. Meskipun K-Means Clustering banyak diterapkan pada data gizi balita, sebagian besar studi jarang melaporkan metrik validitas internal maupun membandingkan hasilnya dengan standar medis. Penelitian ini menerapkan K-Means Clustering pada 255 data pertumbuhan balita (Maret-Mei 2025) dari Posyandu Mekar Sari, Bandar Lampung, berdasarkan usia (bulan), berat badan, dan tinggi badan. Setelah normalisasi Min-Max, data dikelompokkan menjadi tiga cluster, dengan jumlah cluster dijustifikasi menggunakan metode Elbow (k = 2-6). Kualitas cluster dievaluasi menggunakan Silhouette Score, Davies-Bouldin Index (DBI), dan Sum of Squared Errors (SSE). Hasil clustering mengidentifikasi 115 balita (45,1%) dengan pertumbuhan baik di Cluster 1, 102 balita (40,0%) dengan pertumbuhan sedang di Cluster 2, dan 38 balita (14,9%) dengan indikator pertumbuhan terendah di Cluster 3, dengan Silhouette Score 0,473 dan DBI 0,677. Sebagai validasi tambahan, subset data bergender (n = 170) divalidasi silang terhadap Z-score Height-for-Age WHO, menunjukkan 44,7% balita tergolong stunted atau severely stunted secara klinis, jauh lebih tinggi daripada 14,9% yang teridentifikasi K-Means. Perbedaan ini terjadi karena K-Means mengelompokkan balita berdasarkan kemiripan relatif, bukan ambang medis tetap, sehingga berpotensi tidak menandai balita yang mengalami stunting. Dengan validasi, K-Means dapat mendukung pemantauan posyandu, bukan menggantikan penilaian antropometri

Downloads

Download data is not yet available.

References

World Health Organization, “Child Growth Standards,” WHO, Geneva, Switzerland, 2023. [Online]. Available: https://www.who.int/tools/child-growth-standards

Kementerian Kesehatan Republik Indonesia, “Profil Kesehatan Indonesia Tahun 2023,” Jakarta, Indonesia: Kemenkes RI, 2023.

M. Sagala and A. B. P. Negara, “Aplikasi Pengelompokan Status Gizi Balita Menggunakan Metode K-Means Clustering,” Jurnal Sistem Informasi dan Teknologi (JURISTI), vol. 5, no. 2, pp. 88-95, 2023.

C. C. Aggarwal, Data Mining: The Textbook, 2nd ed. Cham, Switzerland: Springer, 2023.

J. MacQueen, “Some Methods for Classification and Analysis of Multivariate Observations,” in Proc. 5th Berkeley Symp. Mathematical Statistics and Probability, Berkeley, CA, USA, 1967, pp. 281-297.

C. A. Rahmat, H. Permatasari, E. Rasywir, and Y. Pratama, “Penerapan K-Means Clustering untuk Pengelompokan Kondisi Gizi Balita,” Jurnal Media Informatika Budidarma, vol. 7, no. 1, pp. 112-120, 2023, doi: 10.30865/mib.v7i1.5142.

R. Husna and V. Riyanto, “Klasterisasi Status Gizi Balita Menggunakan Algoritma K-Means,” Jurnal Ticom, vol. 13, no. 1, pp. 15-23, 2024.

V. P. Wijaksana, U. Hairah, M. Wati, N. Puspitasari, and A. Septiarini, “Penerapan Metode K-Means Clustering untuk Status Gizi Balita,” Data Sciences Indonesia, vol. 5, no. 1, pp. 44-53, 2025, doi: 10.47709/dsi.v5i1.6517.

A. Subayu, “Penerapan Metode K-Means untuk Analisis Stunting Gizi pada Balita,” in Seminar Nasional Aplikasi Teknologi Informasi (SNATI), Yogyakarta, Indonesia, 2022, pp. 77-84, doi: 10.20885/snati.v2i1.18.

M. F. P. Werang, “Analisis Status Gizi Balita Menggunakan Metode K-Means Clustering,” in Seminar Nasional Sistem Informasi (SENASIF), Malang, Indonesia, 2024, pp. 211-220.

P. J. Rousseeuw, “Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis,” Journal of Computational and Applied Mathematics, vol. 20, pp. 53-65, 1987, doi: 10.1016/0377-0427(87)90125-7.

J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 4th ed. Burlington, MA, USA: Morgan Kaufmann, 2023.

F. H. Bitew, C. S. Sparks, and S. H. Nyarko, “Machine Learning Algorithms for Predicting Undernutrition among Under-Five Children in Ethiopia,” Public Health Nutrition, vol. 25, no. 2, pp. 269-280, Feb. 2022, doi: 10.1017/S1368980021004262.

Suraya, D. Pramesti, and A. Nugroho, “Implementasi Algoritma K-Means pada Pengelompokan Data Kesehatan Balita,” Jurnal Informatika dan Komputer, vol. 8, no. 2, pp. 98-106, 2023.

Tuzahra and R. Whydiantoro, “Analisis Clustering Menggunakan Algoritma K-Means pada Data Balita,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 1, pp. 65-73, 2023.

R. Aisyika, H. Firmansyah, and W. Asriyani, “Segmentasi Status Gizi Balita Menggunakan Metode K-Means Clustering,” Journal of Multidisciplinary Inquiry, vol. 3, no. 1, pp. 55-63, 2025, doi: 10.32672/mister.v3i1.3996.

F. E. Ozturk, N. Demirel, and M. Bilgisi, “Comparison of the Methods to Determine Optimal Number of Cluster,” Veri Bilimi, 2023.

D. L. Davies and D. W. Bouldin, “A Cluster Separation Measure,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-1, no. 4, pp. 224-227, 1979, doi: 10.1109/TPAMI.1979.4766909.

H. Shen, H. Zhao, and Y. Jiang, “Machine Learning Algorithms for Predicting Stunting among Under-Five Children in Papua New Guinea,” Children, vol. 10, no. 10, p. 1638, 2023, doi: 10.3390/children10101638.

UNICEF, “The State of the World's Children 2023,” UNICEF, New York, USA, 2023.