Publisher

BUFNETSBUFNETS

Journal Bulletin of Network Engineer and InformaticsBulletin of Network Engineer and Informatics Abstract

Studi ini mengeksplorasi penerapan algoritma K-Means untuk mengelompokkan area layanan Posyandu berdasarkan karakteristik demografi anak balita, dengan tujuan mendukung perencanaan yang lebih efisien dan distribusi bantuan gizi yang tepat. Dengan dataset yang terdiri dari 855 catatan anak balita dari wilayah Puskesmas Braja Caka, langkah-langkah preprocessing seperti one-hot encoding, penanganan atribut lokalitas kategorikal, dan standarisasi Z-score dilakukan untuk memastikan representasi fitur yang konsisten. Metode Elbow menunjukkan bahwa enam kluster memberikan keseimbangan optimal antara kompak dan interpretasi. Distribusi kluster yang dihasilkan mencakup 133 anak di Kluster 0, 75 di Kluster 1, 151 di Kluster 2, 238 di Kluster 3, 125 di Kluster 4, dan 133 di Kluster 5. Analisis lanjutan menunjukkan karakteristik demografi yang berbeda: Kluster 0 dan 2 memiliki usia median lebih tinggi, Kluster 3 menunjukkan variasi usia terbesar, dan Kluster 4 menunjukkan proporsi anak laki-laki yang tertinggi. Visualisasi PCA memperkuat perbedaan jelas antara kluster, sementara boxplot menunjukkan perbedaan signifikan dalam distribusi usia. Temuan ini menunjukkan bahwa K-Means clustering efektif dalam mengungkap pola demografi yang dapat membimbing kebijakan dalam alokasi sumber daya yang lebih akurat dan prioritas intervensi untuk komunitas dengan kepadatan anak balita atau risiko gizi yang lebih tinggi. Sebagai rekomendasi aksi, otoritas kesehatan disarankan untuk memprioritaskan suplemen gizi dan pemantauan intensif di Kluster 3 (kepadatan tertinggi, 238 anak) dan Kluster 4 (dominan laki-laki, kelompok usia terendah), sementara program pemantauan pertumbuhan yang disesuaikan diterapkan di Kluster 0 dan 2 di mana anak balita yang lebih tua berkumpul. Pendekatan ini memperkuat pengambilan keputusan berbasis data untuk operasi Posyandu.

Conclusion

Studi ini menunjukkan efektivitas algoritma K-Means dalam mengelompokkan area layanan Posyandu berdasarkan karakteristik demografi anak balita, menggunakan dataset 855 catatan dari Puskesmas Braja Caka.Melalui langkah preprocessing seperti one-hot encoding, standarisasi, dan evaluasi model via Metode Elbow, enam kluster optimal teridentifikasi.Setiap kluster menunjukkan fitur demografi yang berbeda, terutama distribusi usia, komposisi gender, dan konsentrasi geografis, menunjukkan bahwa algoritma berhasil menangkap pola populasi yang bermakna di wilayah Posyandu.Temuan ini memberikan wawasan praktis untuk meningkatkan manajemen kesehatan publik, khususnya dalam mengoptimalkan distribusi bantuan gizi dan intervensi kesehatan anak pra-sekolah.Profil demografi kluster dapat mendukung pengambilan keputusan yang lebih tepat, memungkinkan alokasi sumber daya sesuai kebutuhan spesifik setiap segmen komunitas.Secara keseluruhan, penerapan K-Means clustering terbukti bernilai dalam meningkatkan perencanaan berbasis data di layanan Posyandu dan berkontribusi pada strategi kesehatan publik yang lebih adil dan efektif.Variabel kluster terbatas pada atribut demografi dan kategorikal—terutama usia, gender, dan lokasi—tanpa memasukkan indikator status gizi seperti berat badan terhadap tinggi atau lingkar lengan atas.Selain itu, dataset terbatas pada area cakupan satu Puskesmas (Braja Caka), yang membatasi generalisasi temuan ke konteks regional atau nasional yang lebih luas.Penelitian lanjutan sebaiknya mempertimbangkan penggunaan rentang indikator kesehatan yang lebih luas, menerapkan algoritma klustering alternatif seperti K-Medoids atau DBSCAN untuk perbandingan, dan memperluas dataset melalui beberapa Puskesmas untuk memvalidasi robustness pendekatan klustering.

Future Research

Penelitian lanjutan dapat mengembangkan penggunaan algoritma klustering alternatif seperti K-Medoids atau DBSCAN untuk membandingkan efektivitas dalam mengelompokkan Posyandu berdasarkan karakteristik demografi anak balita. Selain itu, ekspansi dataset ke wilayah Puskesmas lain dapat meningkatkan generalisasi hasil dan memvalidasi keandalan pendekatan klustering. Penelitian juga dapat mengeksplorasi integrasi indikator status gizi seperti berat badan terhadap tinggi atau lingkar lengan atas dalam analisis demografi untuk memperkaya pemahaman tentang kebutuhan intervensi kesehatan. Studi ini juga menyarankan pengkajian lebih lanjut tentang dampak perbedaan gender pada pertumbuhan anak balita, terutama di kluster dengan komposisi gender yang tidak seimbang, untuk merancang intervensi yang lebih tepat sasaran. Selain itu, analisis longitudinal terhadap perubahan pola demografi dan kebutuhan bantuan gizi di kluster Posyandu dapat memberikan wawasan tentang dinamika kebutuhan kesehatan masyarakat. Penelitian lanjutan juga dapat mengevaluasi efektivitas program pemantauan pertumbuhan yang disesuaikan dengan karakteristik kluster untuk meningkatkan akurasi pengambilan keputusan kesehatan. Penggunaan teknik analisis data yang lebih kompleks, seperti machine learning berbasis prediksi, dapat menjadi arah penelitian baru untuk memprognosis kebutuhan bantuan gizi di masa depan. Selain itu, studi tentang keterkaitan antara kepadatan anak balita dan akses layanan kesehatan di wilayah Posyandu dapat memberikan perspektif baru untuk perencanaan kebijakan kesehatan. Penelitian ini juga menyarankan pengkajian tentang faktor-faktor sosial ekonomi yang memengaruhi distribusi bantuan gizi di kluster Posyandu untuk memahami lebih dalam tentang hambatan yang dihadapi masyarakat. Akhirnya, penelitian dapat mengusulkan pendekatan kolaboratif antara lembaga kesehatan dan pemerintah daerah untuk memperkuat koordinasi dalam pengelolaan Posyandu dan alokasi sumber daya.

References

1. Application of K-Means Clustering Algorithm for Grouping Posyandus Based on Toddler Demographic Density... doi.org/10.59688/736979Application of K Means Clustering Algorithm for Grouping Posyandus Based on Toddler Demographic Density doi 10 59688 736979
2. Analisis Cluster Algoritma K-Means Untuk Pengelompokan Kondisi Gizi Balita Pada Posyandu | Bulletin of... hostjournals.com/bulletincsr/article/view/752Analisis Cluster Algoritma K Means Untuk Pengelompokan Kondisi Gizi Balita Pada Posyandu Bulletin of hostjournals bulletincsr article view 752
3. Vol 4, No 2 (2022). vol doi https jeecom v4i2 table contents articles model neuron mc culloch pitts pengenalan... doi.org/10.33650/jeecom.v4i2Vol 4 No 2 2022 vol doi https jeecom v4i2 table contents articles model neuron mc culloch pitts pengenalan doi 10 33650 jeecom v4i2

Metadata

File size	922.34 KB
Pages	8
DMCA	Report