Clustering Village Zones Based On Nutritional Status of Toddlers Using The K-Medoids Method
Abstract
Abstract
In order to improve the effectiveness of nutrition intervention planning in the operational area of the Kuta Blang Health Center, this study aims to develop a village zoning model based on the nutritional status of toddlers using the K-Medoids algorithm. The primary data includes the distribution of nutritional statuses (good, overnutrition, undernutrition, severe malnutrition, obesity) from 41 villages collected during the January–December 2023 period. Data were normalized and processed using a web-based system developed in PHP and MySQL. The clustering process resulted in five zones: Green (optimal nutrition), Yellow (within acceptable limits), Orange (requires monitoring), Red (worst condition), and Purple (critical challenges). Field validation showed strong alignment between clustering results and real conditions. This study concludes that the K-Medoids method can accurately group villages based on nutrition data and produce a practical zoning map. The resulting zones allow for more efficient resource allocation and targeted intervention, especially in Red and Purple zones. Future improvements may include incorporating socioeconomic and healthcare access variables for more comprehensive analysis.
Abstrak
Dalam rangka meningkatkan efektivitas perencanaan intervensi gizi di wilayah kerja Puskesmas Kuta Blang, penelitian ini bertujuan untuk mengembangkan model zonasi desa berdasarkan status gizi balita menggunakan algoritma K-Medoids. Data primer meliputi distribusi status gizi balita (gizi baik, gizi lebih, gizi kurang, gizi buruk, obesitas) dari 41 desa yang dikumpulkan selama periode Januari–Desember 2023. Data tersebut dinormalisasi dan diolah dalam sistem berbasis web menggunakan bahasa pemrograman PHP dan database MySQL. Proses klasterisasi menghasilkan lima zona: Hijau (gizi optimal), Kuning (masih dalam batas wajar), Oranye (perlu pemantauan), Merah (terburuk), dan Ungu (tantangan signifikan). Validasi lapangan menunjukkan kesesuaian tinggi antara hasil klasterisasi dan kondisi nyata. Penelitian ini menyimpulkan bahwa metode K-Medoids mampu mengelompokkan desa secara akurat berdasarkan data gizi dan menghasilkan peta zonasi yang aplikatif. Zona yang dihasilkan memungkinkan alokasi sumber daya dan intervensi yang lebih terarah, khususnya pada zona Merah dan Ungu. Perbaikan di masa depan dapat mencakup integrasi variabel sosial ekonomi dan akses layanan kesehatan untuk analisis yang lebih komprehensifKeywords
Full Text:
PDFReferences
Bogdanovic, J., Petralito, S., Passerini, S., Sax, H., Manser, T., & Clack, L. (2019). Exploring healthcare providers’ mental models of the infection prevention “patient zone” - a concept mapping study. Antimicrobial Resistance and Infection Control, 8(1), 1–10. https://doi.org/10.1186/s13756-019-0593-4
Budianita, E., & Prijodiprodjo, W. (2013). Penerapan learning vector quantization ( LVQ ) untuk klasifikasi status gizi anak 1. Indonesian Journal of Computing and Cybernetics Systems, 7(2), 155–166. https://doi.org/https://doi.org/10.22146/ijccs.3354
Fajriana, F. (2021). Analisis algoritma K-Medoids pada sistem Klasterisasi produksi perikanan tangkap. Jurnal Edukasi Dan Penelitian Informatika, 7(2), 263–269.
Janah, F. R., Kurniawan, R., & Suprapti, T. (2024). Analisis Dataset status gizi pada balita menggunakan algoritma K-Means Clustering. JATI (Jurnal Mahasiswa Teknik Informatika), 7(6), 3602–3609. https://doi.org/10.36040/jati.v7i6.8220
Kalaivani, M., & Padmavathi, G. (2023). Ensembling of attention-based recurrent units for detection and mitigation of multiple attacks in Cloud. International Journal of Advanced Computer Science and Applications, 14(10), 86–92. https://doi.org/10.14569/IJACSA.2023.0141010
Mardalena, I. (2018). Asuhan keperawatan pada pasien dengan gangguan sistem pencernaan. Pustaka Baru.
Nagari, S. S., & Inayati, L. (2020). Implementation of clustering using K-Means method to determine nutritional status. Jurnal Biometrika Dan Kependudukan, 9(1), 62–68. https://doi.org/10.20473/jbk.v9i1.2020.62
Nalendra, A. K., Mujiono, M., Akhsani, R., & Utama, A. S. W. (2020). Implementasi Algoritma K-Mean dalam Pengelompokan Data Kecelakaan di Kabupaten Kediri. VOCATECH: Vocational Education and Technology Journal, 1(2), 53–60. https://doi.org/10.38038/vocatech.v1i2.28
Nurjaningsih, S. T. (2019). Manajemen penerimaan peserta didik baru (PPDB) sistem zonasi. Jurnal Tata Kelola Pendidikan, 1(2). https://doi.org/10.17509/jtkp.v1i2.32544
Perdana, N. S. (2019). Implementasi PPDB zonasi dalam upaya pemerataan akses dan mutu pendidikan. Jurnal Pendidikan Glasser, 3(1), 78. https://doi.org/10.32529/glasser.v3i1.186
Rahmiyati, E., Pertiwi, S., & Wiharja, H. (2021). Hubungan status gizi dengan tumbuh kembang anak usia 1-3 tahun di wilayah kerja Puskesmas Pante Ceureumen, Aceh Barat. Riset Informasi Kesehatan, 10(2), 183. https://doi.org/10.30644/rik.v10i2.575
Rapingah, S., & Andani, S. (2021). Studi komparasi kepatuhan penerapan protokol kesehatan pada masyarakat pekerja (berbasis zonasi COVID-19) di kota Bekasi tahun 2020. Afiat, 7(1), 59–69. https://doi.org/10.34005/afiat.v7i1.2144
Razi, A. (2022). Klasifikasi penerima beasiswa Aceh Carong (Aceh Pintar) di Universitas Malikussaleh menggunakan algoritma Knn (K-nearest neighbors). Jurnal Tika, 7(1), 79–84. https://doi.org/10.51179/tika.v7i1.1116
Saleh, H., Faisal, M., & Musa, R. I. (2019). Klasifikasi status gizi balita menggunakan metode k-nearest neighbor. Simtek : Jurnal Sistem Informasi Dan Teknik Komputer, 4(2), 120–126. https://doi.org/10.51876/simtek.v4i2.60
Saranty, S., Hidayatullah, M., & Fardinah, F. (2025). Analisis Clustering berdasarkan faktor-faktor kemiskinan di provinsi Sulawesi Selatan menggunakan algoritma K-Medoids. Technologica, 4(2), 181–194. https://doi.org/https://doi.org/10.55043/technologica.v4i2.342
Siregar, H. L., Zarlis, M., & Efendi, S. (2023). Cluster analysis using K-Means and K-Medoids methods for data clustering of Amil Zakat Institutions Donor. Jurnal Media Informatika Budidarma, 7(2), 668–677. https://doi.org/10.30865/mib.v7i2.5315
Surijati, K. A., Hapsari, P. W., & Rubai, W. L. (2021). Faktor-faktor yang mempengaruhi pola makan siswa sekolah dasar di kabupaten Banyumas factors affecting the diet of elementary school students in Banyumas regency. Nutriology: Jurnal Pangan, Gizi, Kesehatan, 2(1). https://doi.org/https://doi.org/10.30812/nutriology.v2i1.1242
Tjut Adek, R., Aidilof, H. A. K., Mukhlis, M., & Nur, K. (2022). Penerapan algoritma K-Medoid dalam perbandingan daya serap akademik siswa sekolah perkotaan dan sekolah pedesaan selama masa pandemi. Jurnal Tekno Kompak, 16(2), 85. https://doi.org/10.33365/jtk.v16i2.1879
Utomo, D. P., & Mesran, M. (2013). Analisis komparasi metode klasifikasi Data Mining dan reduksi atribut pada Data Set penyakit jantung. Jurnal Media Informatika Budidarma, 7(2), 437. https://doi.org/10.30865/mib.v4i2.2080
Zamzamil Amin, Satria Eka Pangestu, Muhammad Syafiq Alfaruq, Lusiana Efrizon, & Rahmadenni, R. (2024). Penerapan algoritma K-Medoids untuk pengelompokan genre game berdasarkan pola penjualan. Jural Riset Rumpun Ilmu Teknik, 4(1), 270–286. https://doi.org/10.55606/jurritek.v4i1.4873
DOI: https://doi.org/10.38038/vocatech.v7i1.223
Refbacks
- There are currently no refbacks.
VOCATECH : Vocational and Technology Journal
Unit Penelitian dan Pengabdian Masyarakat & Penjaminan Mutu
Akademi Komunitas Negeri Aceh Barat
Komplek STTU Alue Peunyareng, Ujong Tanoh Darat, Meureubo, Kabupaten Aceh Barat, Aceh 23615
Telp. (0655) 7110271
Email: vocatech@aknacehbarat.ac.id
VOCATECH: Vocational Education and Technology Journal Published by:
Unit Penelitian dan Pengabdian Masyarakat & Penjaminan Mutu
Akademi Komunitas Negeri Aceh Barat
Indexed by:
VOCATECH: Vocational Education and Technology Journal Creative Commons Attribution-ShareAlike 4.0 International License.