Penentuan Kategori Status Gizi Balita Menggunakan Penggabungan Metode Klasterisasi Agglomerative Dan K-Means

Aries Aprilia, Weny Mistarika Rahmawati, Maftahatul Hakimah

Abstract


Klasterisasi data banyak digunakan dalam berbagai bidang. Salah satunya digunakan untuk pengelompokan status gizi balita. Metode klasterisasi yang sering digunakan adalah metode k-means, yaitu menjadikan tetangga terdekat sebagai satu klaster. Kelemahan dari k-means adalah peletakan titik pusat klaster (centroid) awal yang acak. Peletakan centroid awal yang berbeda dapat menghasilkan hasil klaster yang berbeda. Oleh karena itu, pada penelitian ini pengelompokan status gizi balita menggunakan metode k-means dengan peletakan centroid awalnya diperoleh dari metode klasterisasi agglomerative. Mula-mula data diolah dengan metode klasterisasi agglomerative menghasilkan klaster sejumlah yang diinginkan. Centroid dari setiap hasil klaster tersebut akan dijadikan sebagai centroid awal algoritma k-means. Dengan cara ini, kelemahan k-means dengan mencari centroid awal secara acak dapat diatasi. Berdasarkan pengujian jarak antar centroid, gabungan metode klasterisasi agglomerative dan k-means lebih baik daripada k-means saja. Sedangkan, grafik elbow menunjukkan bahwa jumlah klaster yang optimal untuk pengelompokan status gizi balita adalah sebanyak 3 klaster.


Keywords


Klasterisasi; agglomerative; k-means.

Full Text:

PDF

References


T. Alfina, B. Santosa, and J. A. R. Hakim, “Analisa Perbandingan Metode Hierarchical Clustering, K-means dan Gabungan Keduanya dalam Cluster Data (Studi kasus : Problem Kerja Praktek Jurusan Teknik Industri ITS),” vol. 1, p. 5, 2012.

C. C. Anggarwal, Data Clustering Alorithm and Applications, vol. 20121229. Chapman and Hall/CRC, 2012.

G. Gan, C. Ma, and J. Wu, Data clustering: theory, algorithms, and applications. Philadelphia, Pa. : Alexandria, Va: SIAM, Society for Industrial and Applied Mathematics ; American Statistical Association, 2007.

N. P. E. Merliana, Ernawati, and Alb. J. Santoso, “Analisa Penentuan Jumlah Cluster Terbaik Pada Metode K-Means Clustering,” pp. 1–7.

E. Mooi and M. Sarstedt, A concise guide to market research: the process, data, and methods using IBM SPSS statistics. Berlin: Springer, 2011.

A. F. Muhammad, “KLASTERISASI PROSES SELEKSI PEMAIN MENGGUNAKAN ALGORITMA K-MEANS,” p. 5.

E. Muningsih, “Optimasi Jumlah Cluster K-Means Dengan Metode Elbow Untuk Pemetaan Pelanggan,” pp. 105–114, Sep. 2017.

E. Prasetyo, Data Mining - Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: Andi Offset, 2012.

P. Sari and B. Pramono, “IMPROVE K-MEANS TERHADAP STATUS NILAI GIZI PADA BALITA,” p. 6.

M. A. Syakur, B. K. Khotimah, E. M. S. Rochman, and B. D. Satoto, “Integration K-Means Clustering Method and Elbow Method For Identification of The Best Customer Profile Cluster,” IOP Conf. Ser.: Mater. Sci. Eng., vol. 336, p. 012017, Apr. 2018.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2019 Prosiding Seminar Nasional Sains dan Teknologi Terapan

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.