Segmentasi Daerah Rentan Stunting di Indonesisa Menggunakan Metode K-Means

Saputra, Eko (2021) Segmentasi Daerah Rentan Stunting di Indonesisa Menggunakan Metode K-Means. Undergraduate thesis, Universitas Muhamadiyah Jember.

[img] Text
1 Rpostry_Pendahluan.pdf

Download (504kB)
[img] Text
2 Rpostry_Abstrak.pdf

Download (152kB)
[img] Text
3 Rpostry_BAB I.pdf

Download (208kB)
[img] Text
4 Rpostry_BAB II.pdf
Restricted to Repository staff only

Download (414kB) | Request a copy
[img] Text
5 Rpostry_BAB III.pdf
Restricted to Repository staff only

Download (492kB) | Request a copy
[img] Text
6 Rpostry_BAB IV.pdf
Restricted to Repository staff only

Download (1MB) | Request a copy
[img] Text
7 Rpostry_BAB V.pdf
Restricted to Repository staff only

Download (149kB) | Request a copy
[img] Text
8 Rpostry_DAFTAR PUSTAKA.pdf

Download (227kB)
[img] Text
9 ARTIKEL.pdf

Download (952kB)

Abstract

Saat ini, Indonesia merupakan salah satu negara dengan prevalensi stunting yang cukup tinggi dibandingkan dengan negara-negara berpendapatan menegah lainnya. Dalam narasi Rencana Pembangunan Jangka Menengah Nasional (RPJMN) 2020-2024 penekanan angka stunting ditargetkan menjadi 19% pada 2024. Agar dapat diketahui bagaimana perkembangan daerah-daerah di Indonesia dalam penanganan stunting berdasarkan data persentase pemberian asi eksklusif, cakupan imunisasi dasar lengkap serta status gizi pada balita sejak tahun 2016 sampai tahun 2018, maka dalam penelitian ini membahas mengenai pengelompokkan provinsi di Indonesia yang rentan terjadi stunting menggunakan metode K-Means dengan menghitung nilai Sum of Squares Error (SSE) dalam menentukan cluster terbaiknya. Hasil yang diperoleh dengan skenario 2 cluster sampai 6 cluster yaitu cluster terbaik berada pada 6 cluster dengan nilai Sum of Squares Error (SSE) sebesar 12015.66863, sedangkan jumlah anggota pada masing-masing cluster yaitu cluster 1 terdapat 18 provinsi, cluster 2 terdapat 2 provinsi, cluster 3 terdapat 6 provinsi, cluster 4 terdapat 3 provinsi, cluster 5 terdapat 1 provinsi dan cluster 6 terdapat 4 provinsi. Kemudian untuk kelompok provinsi pada cluster 1 memiliki rata-rata persentase paling tinggi pada atribut ASI dan IDL serta paling rendah untuk atribut GB, SK dan SP sehingga resiko terjadinya stunting sangat rendah. Sedangkan kelompok provinsi yang sangat rentan terjadi stunting berada pada cluster 5 dengan rata-rata persentase terendah pada atribut ASI dan IDL serta persentase tertinggi untuk atribut GB, SK dan SP.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Stunting, Clustering, K-Means, Sum Of Squared Error
Subjects: 000 Computer Science, Information, & General Works
000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science
Divisions: Faculty of Engineering > Department of Informatics Engineering (S1)
Depositing User: S.Kom SAPUTRA EKO
Date Deposited: 01 Apr 2021 08:30
Last Modified: 01 Apr 2021 08:30
URI: http://repository.unmuhjember.ac.id/id/eprint/9340

Actions (login required)

View Item View Item