Pendekatan Metode DBSCAN dan Fuzzy C-Means untuk Klasterisasi Skala Prioritas Stunting
DOI:
https://doi.org/10.52436/1.jpti.655Kata Kunci:
DBSCAN, Fuzzy C-Means, Stunting, Kebijakan Intervensi, KlasterisasiAbstrak
Stunting merupakan permasalahan kesehatan yang berdampak pada perkembangan fisik dan kognitif anak, serta berkontribusi terhadap kesenjangan sosial dan ekonomi di Indonesia. Penelitian ini bertujuan untuk mengembangkan metode klasterisasi skala prioritas penanganan stunting dengan menggabungkan algoritma DBSCAN (Density-Based Spatial Clustering of Applications with Noise) dan Fuzzy C-Means (FCM). Data diperoleh dari platform Aksi Bangda Kemendagri (2021–2024) dan diolah menggunakan Python. DBSCAN digunakan untuk mengidentifikasi wilayah dengan konsentrasi tinggi kasus stunting dan mendeteksi outlier, sementara FCM membantu menentukan prioritas intervensi berdasarkan tingkat keparahan. Hasil penelitian menunjukkan bahwa DBSCAN menghasilkan dua klaster utama dan sejumlah outlier, sedangkan FCM membagi data menjadi tiga klaster berbasis derajat keanggotaan. Pendekatan ini berpotensi menjadi alat analitik dalam mendukung kebijakan percepatan penurunan angka stunting secara lebih efektif di Indonesia.
Unduhan
Referensi
Saputri, R.A. 2019. Upaya pemerintah daerah dalam penanggulangan stunting di provinsi kepulauan bangka Belitung. pp. 152–168.
Wati, S. K., Kusyani, A., & Fitriyah, E. T. (2021). Pengaruh faktor ibu (pengetahuan ibu, pemberian ASI-eksklusif & MP-ASI) terhadap kejadian stunting pada anak. Journal of Health Science Community, 2(1), 40-52.
Hisbullah, R., & Hasibuan, M. S. (2023). Pendekatan Bayes-HDSS dalam Menentukan Status Pantauan Gizi Balita. Jurnal Teknologi Informasi dan Ilmu Komputer, 10(5), 1071-1082.
Ulinnuha, N. (2020). Provincial Clustering in Indonesia Based on Plantation Production Using Fuzzy C-Means. ITSMART: Jurnal Teknologi dan Informasi, 9(1), 8-12.
Adha, R., Nurhaliza, N., Sholeha, U., & Mustakim, M. (2021). Perbandingan algoritma DBSCAN dan k-means clustering untuk pengelompokan kasus Covid-19 di dunia. SITEKIN: Jurnal Sains, Teknologi Dan Industri, 18(2), 206-211.
Wulandari, L., & Yogantara, B. O. (2022). Algorithm analysis of K-means and fuzzy C-means for clustering countries based on economy and health. Faktor Exacta, 15(2).
Koto, S. Z., Marsono, M., & Syahra, Y. (2019). Analisa Data Mining Untuk Pengelompokkan Pemegang Sertipikat Hak Atas Tanah dengan Algoritma K-Means Clustering di Kota Medan. Jurnal Cyber Tech, 2(11).
Christyanti, R. D., Sulaiman, D., Utomo, A. P., & Ayyub, M. (2022). Implementation of Fuzzy C-Means in Clustering Stunting Prone Areas. International Journal of Natural Science and Engineering, 6(3), 110-121.
Pane, S. F., & Saputra, Y. A. (2020). Big Data: Classification Behavior Menggunakan Python (Vol. 1). Kreatif.
Damayanti, D. K. D., & Jakfar, M. (2023). Klasifikasi Status Stunting Balita Menggunakan Algoritma Fuzzy C-Means (Studi Kasus Posyandu RW 01 Kelurahan Jepara Surabaya). MATHunesa: Jurnal Ilmiah Matematika, 11(03), 533-542.
Saputri, R. A. (2019). Upaya pemerintah daerah dalam penanggulangan stunting di Provinsi Kepulauan Bangka Belitung. Jdp (Jurnal Dinamika Pemerintahan), 2(2), 152-168.
Pimentel, J. F., Murta, L., Braganholo, V., & Freire, J. (2021). Understanding and improving the quality and reproducibility of Jupyter notebooks. Empirical Software Engineering, 26(4), 65.
Asyrofi, R. R., & Asyrofi, R. (2023). Implementasi Aplikasi Jupyter Notebook Sebagai Analisis Kreteria Plagiasi Dengan Teknik Simantik. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 8(2), 627-637.
Khan, Z. V. V., Alamsyah, D., & Widhiarso, W. (2022). Klasterisasi Topik Skripsi Informatika dengan Metode DBSCAN. Jurnal Algoritme, 3(1), 82-90.
Herlinda, V., Darwis, D., & Dartono, D. (2021). Analisis Clustering Untuk Recredesialing Fasilitas Kesehatan Menggunakan Metode Fuzzy C-Means. Jurnal Teknologi Dan Sistem Informasi, 2(2), 94-99.
