Implementasi Algoritma Machine Learning Untuk Penentuan Cluster Status Gizi Balita

Abstract

Malnutrisi atau kekurangan gizi pada balita mempunyai efek jangka panjang dalam tumbuh kembang balita, baik tumbuh kembang secara fisik maupun secara mental. Balita akan mengalami berbagai hambatan dalam pertumbuhannya seperti terhambatnya pertumbuhan tulang dan tinggi badan, terhambatnya balita untuk belajar berjalan, berbicara hingga menyebabkan cacat sampai menyebabkan kematian. Di Indonesia, stunting atau gangguan kembang tumbuh anak yang disebabkan oleh gizi buruk mencapai 27.7% yang menandakan bahwasanya permasalahan gizi buruk di indonesia masih sangat tinggi. Hal ini menjadi dasar pentingnya pencatatan dan pengelompokan gizi balita untuk mengetahui tumbuh kembang dan gizi balita agar dapat mengurangi tingkat malnutrisi dan melakukan penanganan secara cepat. Pengelompokan gizi balita dapat dilakukan dengan menerapkan algoritma machine learning. K-Means merupakan algoritma machine learning yang bersifat partitional clustering yang banyak digunakan karena kesederhanaan dan efisiensinya. Pengelompokan gizi balita akan dikelompokkan berdasarkan 5 kelompok gizi balita dengan parameter yang digunakan berupa berat badan, tinggi badan, dan lingkar kepala. Hasil yang didapatkan  dari pengelompokan data gizi balita menggunakan algoritma K-Means clustering yaitu kelompok 1 merupakan balita dengan gizi buruk berjumlah sebanyak 8 data atau 27,59%. kelompok 2 menyatakan gizi kurang berjumlah 1 balita atau 3,45%. Kelompok 3 menyatakan jumlah balita yang termasuk kategori gizi baik berjumlah 6 atau sekitar 20,69. Kelompok 4 menyatakan gizi lebih pada balita berjumlah 8 atau 27,59%. Sedangkan untuk kelompok 5 menyatakan balita berkategori obesitas sebanyak 6 data atau 20,69% dari total data.