Identifikasi Faktor Risiko Stunting pada Anak-anak dengan Metode K means Clustering

Debi  Setiawan; Rudiansyah; Shucy Ramawati Fadila

doi:10.58794/jekin.v3i1.443

Authors

Debi Setiawan Universitas Abdurrab
Rudiansyah Universitas Abdurrab
Shucy Ramawati Fadila Universitas Abdurrab

DOI:

https://doi.org/10.58794/jekin.v3i1.443

Keywords:

Stunting, Metode Clustering, Dataset Kaggle, K-means, Hierarchical, DBSCAN

Abstract

Stunting, sebuah masalah gizi kronis, menghambat perkembangan fisik dan kognitif anak-anak di seluruh dunia. Penelitian ini menggunakan metode klastering pada dataset dari Kaggle untuk mengidentifikasi faktor risiko yang terkait dengan stunting. Dataset ini mencakup informasi demografis, asupan gizi, dan kondisi kesehatan anak-anak dari berbagai negara.Dengan menerapkan teknik klastering seperti K-means, Hierarchical, dan DBSCAN, kami mengelompokkan anak-anak berdasarkan atribut mereka. Selanjutnya, kami menganalisis pola dan hubungan antara klaster-klaster ini dengan prevalensi stunting.Hasil penelitian ini memberikan wawasan berharga mengenai faktor-faktor yang berkontribusi terhadap risiko stunting. Temuan ini dapat membantu dalam perencanaan dan implementasi intervensi yang tepat guna untuk mencegah dan mengatasi stunting pada anak-anak. Penelitian ini menunjukkan manfaat metode klastering dalam memahami dinamika stunting dan faktor-faktor yang terkait. Hal ini menekankan pentingnya mengatasi faktor-faktor seperti gizi, status sosioekonomi, dan kondisi kesehatan untuk strategi pencegahan dan intervensi stunting yang efektif.

Downloads

Download data is not yet available.

References

R. E. Black et al., “Maternal and child undernutrition and overweight in low-income and middle-income countries,” Lancet, vol. 382, no. 9890, pp. 427–451, Aug. 2013, doi: 10.1016/S0140-6736(13)60937-X.

S. L. Silverberg et al., “Do Early Infant Feeding Practices and Modifiable Household Behaviors Contribute to Age-Specific Interindividual Variations in Infant Linear Growth? Evidence from a Birth Cohort in Dhaka, Bangladesh,” Curr. Dev. Nutr., vol. 5, no. 5, p. nzab077, 2021, doi: https://doi.org/10.1093/cdn/nzab077.

W. M. P. Dhuhita, “Clustering Menggunakan Metode K-Means Untuk,” J. Inform., vol. 15, no. 2, pp. 160--174, 2016.

V. Herlinda and D. Darwis, “Analisis Clustering Untuk Recredesialing Fasilitas Kesehatan Menggunakan Metode Fuzzy C-Means,” Darwis, Dartono, vol. 2, no. 2, pp. 94–99, 2021, [Online]. Available: http://jim.teknokrat.ac.id/index.php/JTSI

J. Hoddinott et al., “A Clustering Method Based on K-Means Algorithm,” Am. J. Clin. Nutr., vol. 13, no. 2, pp. 1170–1178, 2020, doi: 10.1109/ACCESS.2020.2988796.

Y. Li and H. Wu, “A Clustering Method Based on K-Means Algorithm,” Phys. Procedia, vol. 25, pp. 1104–1109, 2012, doi: 10.1016/j.phpro.2012.03.206.

P. Puri, J. Khan, A. Shil, and M. Ali, “A cross-sectional study on selected child health outcomes in India: Quantifying the spatial variations and identification of the parental risk factors,” Sci. Rep., vol. 10, no. 1, pp. 1–15, 2020, doi: 10.1038/s41598-020-63210-5.

J. Hoddinott et al., “Adult consequences of growth failure in early childhood,” Am. J. Clin. Nutr., vol. 98, no. 5, pp. 1170–1178, 2013, doi: 10.3945/ajcn.113.064584.

D. Jollyta, S. Efendi, M. Zarlis, and H. Mawengkang, “Optimasi Cluster Pada Data Stunting: Teknik Evaluasi Cluster Sum of Square Error dan Davies Bouldin Index,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 918, 2019, doi: 10.30645/senaris.v1i0.100.

T. D. Harjanto, A. Vatresia, and R. Faurina, “Analisis Penetapan Skala Prioritas Penanganan Balita Stunting Menggunakan Metode DBSCAN Clustering (Studi Kasus Data Dinas Kesehatan Kabupaten Lebong),” Rekursif J. Inform., vol. 9, no. 1, pp. 30–42, 2021, doi: 10.33369/rekursif.v9i1.14982.