Kombinasi Hybrid K-Means untuk Klasterisasi Multivariat dalam Analisis Stunting
), Febie Elfaladonna(2), Ayu Octarina(3),
(1) Politeknik Negeri Sriwijaya
(2) Politeknik Negeri Sriwijaya
(3) Politeknik Negeri Sriwijaya
Corresponding Author
Abstract
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.
References
Kemenkes, “Membentengi Anak Dari Stunting,” Edisi 167, pp. 1-56, Juni 2024.
Kemenkes, “Cegah Stunting dengan ABCDE,” 16 Februari 2023.
M. E. Rahmuniyati, “Peran Puskesmas Dalam Upaya Mengurangi Kasus Stunting Melalui Program Sanitasi Total Berbasis Masyarakat (Stbm),” In Seminar Nasional Unriyo , Yogyakarta, 2020.
M. Wangge, “Penerapan Metode Principal Component Analysis (PCA) Terhadap Faktor-faktor yang Mempengaruhi Lamanya Penyelesaian Skripsi Mahasiswa Program Studi Pendidikan Matematika FKIP UNDANA,” Jurnal Cendekia: Jurnal Pendidikan Matematika, vol. 5, no. 2, pp. 974-988, 2021.
S. Manullang, D. Aryani and H. Rusydah, “Analisis Principal Component Analysis (PCA) dalam Penentuan Faktor Kepuasan Pengunjung terhadap Layanan Perpustakaan Digilib,” Edumatic: Jurnal Pendidikan Informatika, vol. 7, no. 1, pp. 123-130, 2023.
S. Dewi And M. A. Ineke Pakereng, “Implementasi Principal Component Analysis Pada K-Means Untuk Klasterisasi Tingkat Pendidikan Penduduk Kabupaten Semarang,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 8, no. 4, pp. 1186-1195, 2023.
Rais. M, Goejantoro, and Prangga Surya, “Optimalisasi K-MeansCluster dengan Principal Com ponent Analysis pada Pengelompokan Kabupaten/Kota di Pulau Kalimantan Berdasark an Indik ator Tingk at Pengangguran Terbuka,” Jurnal Eksponensial, vol. 12, no. 2, pp. 129-136. 2085-7829, 2021.
Rosyada and Dina Tri Utari, ” Penerapan Principal Component Analysis untuk Reduksi Variabel pada Algoritma K-Means Clustering,” Jambura Journal of Probability and Statistics, vol. 5, no. 1, pp. 6-13. 2722-7189, 2024.
Hayqal Hazmi Qastari, Oni Soesanto, and Yuana Sukmawaty, “K-Means Clustering dan Principal Component Analysis (PCA) Dalam Radial Basis Function Neural Network (RBFNN) Untuk Klasifikasi Data Multivariat,” Journal of Mathematics: Theory and Applications, vol. 4, no.1, pp. 1-7, 2685-9653, 2022.
M. Billah, M. Aidil Zartesya, and Desta Sandya Prasvita, “Penerapan Collaborative Filtering, PCA dan K-Means dalam Pembangunan Sistem Rekomendasi Film,” Seminar Nasional Mahasiswa Ilmu Komputer dan Aplikasinya (SENAMIKA), pp. 579-587, 20 April 2021.
B. A. Nugroho, A. Izzah, K. Eliyen and R. Widyastuti, “Metode Hybrid-DPSO dan Clustering untuk Rekomendasi Rute Perjalanan Wisata Berbasis Mobile Android,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 10, no. 2, pp. 201-2018, 2024.
H. Priyatman, F. Sajid and D. Haldivany, “Klasterisasi Menggunakan Algoritma K-Means Clustering untuk Memprediksi Waktu Kelulusan Mahasiswa,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 5, no. 1, pp. 62-66, 2019.
R. K. Dinata, Safwandi, N. Hasdyna and N. Azizah, “Analisis K-
Means Clustering pada Data Sepeda Motor,” Informatics Journal, vol. 5, no. 1, pp. 10-17, 2020.
Nurdiansyah, Muliadi, R. Herteno, D. Kartini And I. Budiman, “Implementasi Metode Principal Component Analysis (Pca) Dan Modified K-Nearest Neighbor Pada Klasifikasi Citra Daun Tanaman Herbal,” Jurnal MNEMONIC, vol. 7, no. 1, pp. 1-9, 2024.
D. Hediyati and . I. M. Suartana, “Penerapan Principal Component Analysis(PCA) Untuk Reduksi Dimensi Pada Proses Clustering Data Produksi Pertanian Di Kabupaten Bojonegoro,” JIEET (Journal Information Engineering and Educational Technology), vol. 5, no. 2, pp. 49-54, 2021.
A. A. Aryasatya Daniswara and I. K. Dwi Nuryana, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” JINACS (Journal of Informatics and Computer Science), vol. 5, no. 1, pp. 97-100, 2023.
A. Zulfikar, F. A. Rahmani and N. Azizah, “Deteksi Anomali Menggunakan Isolation Forest Belanja Barang Persediaan Konsumsi Pada Satuan Kerja Kepolisian Republik Indonesia,” Jurnal Manajemen Perbendaharaan, vol. 4, no. 1, pp. 1-15, 2023.
D. R. Puspita Sari, “Metode Principal Component Analysis(Pca) Sebagai Penanganan Asumsi Multikolinearitas (Studi Kasus: Data Produksi Tapioka),” Parameter (Jurnal Matematika, Statistika Dan Terapannya), vol. 2, no. 2, pp. 115-124, 2023.
F. Dikarya and S. Muharni, “Penerapan Algoritma K-Means Clustering Untuk Pengelompokanuniversitas Terbaik Di Dunia,” Jurnal Informatika, vol. 22, no. 2, pp. 124-131, 2022.
Article Metrics
Abstract View
: 40 timesPDF (Bahasa Indonesia)
Download : 6 times
DOI: 10.58486/jsr.v9i1.475
Refbacks
- There are currently no refbacks.
