Pemetaan Persebaran Status Gizi Balita untuk Penentuan Pemberian Penyuluhan dengan Pendekatan K-Means Clustering

Yunisa Ahgnia  Zahrah; Leny Tritanto Ningrum

doi:10.36350/jskom.v2i2.100

Penulis

Yunisa Ahgnia Zahrah Universitas Binaniaga Indonesia Penulis
Leny Tritanto Ningrum Universitas Binaniaga Indonesia Penulis

DOI:

https://doi.org/10.36350/jskom.v2i2.100

Kata Kunci:

Algoritma K-Means, Klasterisasi, Pemberian Penyuluhan, Penyakit Diabetes, Persebaran

Abstrak

Pemetaan persebaran status gizi balita merupakan kegiatan pengelompokan wilayah posyandu berdasarkan kondisi gizi kurang maupun gizi lebih yang masih cukup tinggi. Permasalahan yang dihadapi tidak hanya tingginya kasus gizi kurang akibat asupan gizi yang tidak mencukupi, tetapi juga meningkatnya kasus gizi lebih yang dipicu pola konsumsi tidak seimbang. Namun, hingga saat ini data yang tersedia belum dimanfaatkan secara optimal untuk menghasilkan informasi pemetaan yang akurat. Hal ini menyebabkan pihak puskesmas kesulitan menentukan sasaran penyuluhan gizi yang sesuai dengan kebutuhan di lapangan. Selain itu, keterbatasan analisis manual membuat identifikasi wilayah posyandu dengan kasus gizi kurang atau gizi lebih menjadi kurang efektif. Persebaran status gizi balita yang belum akurat dapat menyebabkan belum tercapainya target penyuluhan gizi agar lebih tepat sasaran. Tujuan penelitian ini adalah untuk pemetaan persebaran status gizi balita untuk penentuan penyuluhan dengan pendekatan K-Means Clustering. Penelitian ini menghasilkan prototype sistem yang dapat melakukan pemetaan status gizi balita menggunakan Algoritma K-Means Clustering dengan menganalisis data awal, mentransformasi dan menormalisasi data, serta melakukan perhitungan pengelompokan. Variabel yang digunakan meliputi usia, berat badan, tinggi badan, z score bb/u, z score tb/u, dan z score bb/tb. Hasil pengelompokan menginformasikan wilayah posyandu pada setiap kelompok berdasarkan status gizi balita. Hal ini dilakukan untuk memetakan penyuluhan gizi melalui sistem pendukung keputusan sebagai acuan Puskesmas Tanah Sareal Kota Bogor dalam menentukan sasaran penyuluhan yang efektif. Penerapan Algoritma K-Means Clustering menghasilkan Cluster 1 sebanyak 276 dan Cluster 2 sebanyak 220 dengan kategori Gizi Kurang dan Gizi Lebih. Uji kelayakan oleh ahli sistem memperoleh hasil 100% “Sangat Layak”, sedangkan uji pengguna menggunakan kuesioner PSSUQ memperoleh rata-rata 90,4% “Sangat Layak”. Uji validitas cluster menggunakan Silhouette Coefficient sebesar 0,40.

Unduhan

Data unduhan tidak tersedia.

Referensi

[1] Arhami, M., & Nasir, M. (2020). Data Mining Algoritma dan Implementasi (R. I. Utami (ed.)). Penerbit Andi;Politeknik Negeri Lhokseumawe. https://books.google.co.id/books?id=AtcCEAAAQBAJ&printsec=frontcover&hl=id#v=onepage&q&f=false

[2] Fitri, N., Astuti, W., & Huriyati, E. (2022). Usia ibu dan jumlah anak berhubungan dengan kejadian beban gizi ganda pada tingkat rumah tangga di desa dan kota di Indonesia. 18(3), 104–114. https://doi.org/10.22146/ijcn.69959

[3] Habibi, R., & Suryansah, A. (2020). Aplikasi prediksi jumlah kebutuhan perusahaan. Kreatif. https://books.google.co.id/books?id=sjDwDwAAQBAJ

[4] Istiqomah, A., S, K. M., Amali, R. A., & Tiawati, S. (2024). Peran Gizi Terhadap Pertumbuhan Dan Perkembangan Balita. 2(2).

[5] Jollyta, D., Ramdhan, W., & Zarlis, M. (2020). Konsep Data Mining dan Penerapan. https://www.google.co.id/books/edition/Konsep_Data_Mining_Dan_Penerapan/vjhWEQAAQBAJ?hl=ban&gbpv=0

[6] Ma’ady, M. N. P., Lidiawaty, B. R., Dzulkarnain, A., & Ramadan, A. (2024). Data Mining Algoritma dan Contoh Perhitungan Matematis. DEEPUBLISH. https://www.google.co.id/books/edition/Data_Mining_Algoritma_Dan_Contoh_Perhitu/xsQ0EQAAQBAJ?hl=ban&gbpv=1&dq=Data+Mining+Algoritma+dan+Contoh+Perhitungan+Matematis&printsec=frontcover

[7] Mulaab. (2021). Data Mining : Konsep dan Aplikasi. Media Nusa Creative (MNC Publishing). https://books.google.co.id/books?id=X1FKEAAAQBAJ

[8] Muttaqin, Widiyanto, W. W., Munsarif, M., Mandias, G. F., Pungus, S. R., Widarman, A., Hapsari, W. K., Hardiyanti, S. A., Fatkhudin, A., Pasnur, Bisono, E. F., Anshori, M., & Suryani, N. S. (2023). Pengenalan Data Mining (Issue July).

[9] Prihandoko, P., Alam, R. G. G., Gunawan, G., Abdullah, D., Efitra, E., & Uzma, I. (2024). Memahami Konsep dan Implementasi Machine Learning. PT. Sonpedia Publishing Indonesia. https://books.google.co.id/books?id=_831EAAAQBAJ

[10] Rahayu, P. W., Sudipa, I. G. I., Suryani, S., Surachman, A., Ridwan, A., Darmawiguna, I. G. M., Sutoyo, M. N., Slamet, I., Harlina, S., & Maysanjaya, I. M. D. (2024). Buku Ajar Data Mining. PT. Sonpedia Publishing Indonesia. https://books.google.co.id/books?id=vCruEAAAQBAJ

[11] Sinurat, Y. F. (2024). Data Mining Pengelompokan Siswa Berprestasi Menggunakan Metode Clustering. Penerbit NEM. https://books.google.co.id/books?id=0TMZEQAAQBAJ

[12] Wijaksana, V. P., Hairah, U., Wati, M., & Puspitasari, N. (2025). Penerapan Metode K-Means Clustering Status Gizi Balita Di UPT Puskesmas Barong Tongkok. 5(1), 156–165.