PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN FAKTOR PENYEBAB STUNTING DENGAN METODE FUZZY C-MEANS DAN DENSITY BASED SPATIAL CLUSTERING ALGORITHM WITH NOISE

Nurhikmah, Nurhikmah (2024) PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN FAKTOR PENYEBAB STUNTING DENGAN METODE FUZZY C-MEANS DAN DENSITY BASED SPATIAL CLUSTERING ALGORITHM WITH NOISE. Diploma thesis, Universitas Andalas.

	Text (COVER DAN ABSTRAK) Cover_dan_Abstrak_Nurhikmah.pdf - Published Version Download (281kB)
	Text (PENDAHULUAN) Pendahuluan_Nurhikmah.pdf - Published Version Download (118kB)
	Text (BAB 5) BAB_5_Nurhikmah.pdf - Published Version Download (94kB)
	Text (DAFTAR PUSTAKA) Daftar_Pustaka_Nurhikmah.pdf - Published Version Download (98kB)
	Text (FULL) Skripsi_Fulltext_Nurhikmah.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Stunting atau keterlambatan pertumbuhan merupakan masalah gizi kronis yang sering terjadi pada anak-anak di dunia, termasuk Indonesia. Stunting dapat terlihat ketika anak yang memiliki tinggi badan lebih pendek dari tinggi badan normal yang seharusnya dimiliki oleh anak pada usia yang sama. Percepatan penurunan stunting pada anak balita merupakan salah satu agenda utama pemerintah dalam rangka mewujudkan sumber daya manusia yang sehat, cerdas, dan produktif. Salah satu cara untuk penurunan stunting ini adalah dengan menggunakan klasterisasi yang bertujuan mengelompokkan provinsi-provinsi yang masih banyak kasus stuntingnya berdasarkan faktor penyebab stunting. Metode klasterisasi yang digunakan pada penelitian ini yaitu metode Fuzzy C-Means dan metode Density Based Spatial Clustering Algorithm With Noise. Lalu, Silhouette Coefficient (SC) digunakan untuk mengukur seberapa baik hasil pengelompokan yang didapat. Diperoleh bahwa jumlah klaster optimum pada pengelompokan metode FCM adalah jumlah klaster 4, sedangkan jumlah klaster optimum pada pengelompokan metode DBSCAN adalah dengan MinPts 2 dan epsilon 16,3 dengan jumlah klaster 2. Nilai SC pada metode FCM lebih besar sehingga diperoleh bahwa metode FCM lebih baik daripada metode DBSCAN. Pada metode FCM ini didapatkan 4 klaster dengan klaster 1 beranggotakan 3 provinsi, klaster 2 beranggotakan 10 provinsi, klaster 3 beranggotakan 13 provinsi, dan klaster 4 beranggotakan 8 provinsi.

Actions (login required)

View Item