Pengklasteran Kabupaten/Kota di Indonesia Berdasarkan Masalah Gizi Balita Dengan Menggunakan Metode Two Step Cluster dan Ensemble K-Modes
Abstract
Pemerintah selalu berupaya untuk mengurangi prevalensi masalah gizi yang terjadi pada anak melalui berbagai program kesehatan. Namun karena berbagai masalah gizi tersebut memiliki penanganan yang berbeda, maka pemerintah suatu daerah perlu mengetahui masalah gizi anak apa yang dominan ditemui di daerahnya sehingga program yang akan dijalankan tepat. Tujuan dari penelitian ini adalah mengklasterkan kabupaten/kota di Indonesia berdasarkan masalah gizi balita dengan menggunakan metode Two Step Cluster dan Ensemble K-Modes serta mendeskripsikan karakteristik masalah gizi pada masing-masing klaster akhir yang terbentuk. Objek yang diamati pada penelitian ini terdiri dari 492 kabupaten/kota di Indonesia. Data yang digunakan yaitu data masalah gizi balita di semua kabupaten/kota di Indonesia. Hasil penelitian ini yaitu pengklasteran kabupaten/kota di Indonesia berdasarkan masalah gizi balita menggunakan metode two step cluster dan ensemble k-modes menghasilkan klaster yang berbeda. Metode ensemble k-modes lebih baik dalam mengklasterkan data gizi balita daripada metode two step cluster. Hal ini dapat dilihat dari nilai keragaman pengklasteran yang lebih kecil, yaitu 0,569015. Karakteristik klaster 1 menunjukkan bahwa sebagian besar kabupaten/kota dalam klaster ini terletak di wilayah Indonesia bagian barat, dengan total 229 kabupaten/kota.
Downloads
References
Bacher, J., K. Wenzig and M. Vogler. 2004. SPSS TwoStep Cluster : A First Evaluation. FAU, Jerman.
Bunkers, M., Miller, J., & DeGaetano, A. (1996). Definition of climate regions in the northen plains using an objective cluster modification technique. Journal of Climate, 130-146.
Chan, Y. H. 2005. Biostatistik 304 – ClusterAnalysis. Medical Journal. 46 : 153.
Chiu, T., D. Fang, J. Chen, Y. Wang, and C. Jeris. 2001. A Robust and Scalable Clustering Algorithm for Mixed Type Attributes in Large Database Environment. In Proceedings of the 7th ACM SIGKDD International Confererence on Knowledge Discovery and Data Mining 2001. Pp.263-268.
Endris N, Asefa H, Dube L. 2017. Prevalence of Malnutrition and Associated Factors among Children in Rural Ethiopia. 2017:6587853.
Hair, J., Black, W., Babin, J., & Anderson, R. (2010). Multivariate Data Analysis "7th ed". Pearson Prentice Hall, New Jersey(US).
Huang, Z. (1997). Clustering large data sets with mixed numeric and categorical values. In Proceedings of the 1st pacific-asia conference on knowledge discovery and data mining,(PAKDD) (pp. 21-34).
John CC, Black MM, Nelson 3rd CA. 2017. Neurodevelopment: The Impact of Nutrition and Inflammation During Early to Middle Childhood in Low Resource Settings. Pediatrics 2017;139 (suppl1):S59– S71.
Johnson RA, Wichern DW. 2007. Applied Multivariate Statistical Analysis. Prentice Hall, New Jersey.
Kader, G., & Perry, M. (2007). Variability for categorical variables. Journal of Statistics, 15(2): 1-16.
Kementrian Kesehatan RI. 2020. Standar Antropometri Anak. Badan Litbangkes Depkes RI, Jakarta.
Kementrian Kesehatan RI. 2018. Profil Kesehatan Indonesia 2018. Kemenkes RI, Jakarta.
Kementrian Kesehatan RI. 2022. Buku Saku Hasil Studi Status Gizi Indonesia (SSGI) Tahun 2022. Badan Litbangkes Kemenkes RI, Jakarta.
Pratiwi, R.H. 2015. Faktor-faktor yang berhubungan dengan Berat Kurang (Underweight) pada Balita di Perkotaan dan Perdesaan Indonesia berdasarkan Data Riskesdas tahun 2013. Jurnal Kesehatan Masyarakat. 3(4): 127-137.
Okada, T. (1999). Sum of Squares Decompositionfor Categorical Data. Kwansei Gakuin Studies in Computer Science, 14:1-6.
Putri, W. 2007. Analisis Gerombol Menggunakan Metode Two Step Cluster. Jurnal Statistika dan Komputasi. 12 : 18-23.
TNP2K. 2017. 100 Kabupaten/Kota Prioritas untuk Intervensi Anak Kerdil (Stunting). Sekretariat Wakil Presiden RI, Jakarta Pusat.
UNICEF. 2019. Stunting Pada Balita. Pusat Promosi Kesehatan, Kementerian Kesehatan RI, Jakarta.
WHO. 2017. Reducing Stunting In Children: Equity Considerations for Achieving the Global Nutrition Targets 2025. Geneva: WHO.
Zhang, T, R. Ramakrishnon and M. Livny. 1996. BIRCH: An Efficient Data Clustering Method for Very Large Databases. Proceeding of the ACM SIGMOD Conference on Management of Data. Pp.103-114.
Sumanto. (2014). Statistika Deskriptif (Pertama ed.). Yogyakarta : Center of Academic Publishing Service .
Hoppner, F., Klawonn, F., Kruse, R., & Runkler, T. (1999). Fuzzy Cluster Analysis. Wiley.
Kusumadewi, S., & Hartati, S. (2006). Neuro Fuzzy: Integrasi Sistem Fuzzy & Jaringan syaraf . Yogyakarta: Graha ilmu.
He, Z., Xu, X., & Deng, S. (2005). Clustering Mixed Numeric and Categorical Data: A Cluster Ensemble Approach. Harbin Institute of Technology, Department of Computer Science and Engineering.
Yoon, H., Ahn, S., Lee, S., Cho, S., & Kim, J. (2006). Heterogeneous Clustering Ensemble Method for Combining Different Cluster Results. BioDM 2006. Lecture Notes in Computer Science, 3916.
Mongi, C. E. 2015. Penggunaan Analisis Two Step Clustering Untuk Data Campuran. Jurnal de Cartesian (JdC). 4(1):9-19.
Andrew, D. M. (2018). Penggerombolan Desa/Kelurahan Berdasarkan Indikator Kemiskinan dengan menerapkan Algpritma Two Step Cluster dan K-Prototypes. Indonesian Journal of Statistics and Its Applications. 2(2): 63-76.
Saputra, C. W. (2016). Pengklasteran Aksesi Jeruk Persilangan Berdasarkan Karakter Kuantitatif dan Kualitatif Menggunakan Fuzzy C-Menas dan K-Modes. Skripsi, Institut Teknologi Sepuluh Nopember, Statistika.
Larasati, D.P (2018). Penerapan Metode Data Campuran Ensemble K-Modes dan Similarity Weight and Filter Method (SWFM) pada Pengklasteran Kabupaten/Kota di Jawa Timur berdasarkan Indikator Daerah Tertinggal. Skripsi, Institut Teknologi Sepuluh Nopember, Statistika.
Madhulatha, T.S., 2012. An Overview On Clustering Methods. IOSR Journal of Engineering, II (4), pp.719-725
Kodinariya, Trupti M. & Makwana, Prashant R., (2013). Review on determining number of cluster in K-Means Clustering. International Journal of Advance Research in Computer Science and Management Studies, I (6), pp. 90-95
Bholowalia, Purnima & Kumar, Arvind, 2014. EBK-Means: A Clustering Techiniques based on Elbow Method and K-Means in WSN. International Journal of Computer Application (0975-8887), IX (105), pp. 17-24
Irwanto, et. al (2012). Optimasi Kinerja Algoritma Klasterisasi K-Means untuk kuantisasi Warna Citra. Jurnal Teknik ITS, I (1), pp.197-202.
Kusumadewi dan Purnomo .2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta : Graha Ilmu.
Klawonn dand Höppner, (2001), “What is Fuzzy about Fuzzy Clustering? Understanding and Improving the Concept of the Fuzzierâ€. Science Journal, pp.254-264
Huang, Z., & Ng, M. K. (1999). A Fuzzy K-Modes Algorithm for Clustering Categorical Data. IEEE Transactions On Fuzzy Systems, 7(4).
Copyright (c) 2022 Cichi Chelchillya Candra
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
