Perbandingan Model Machine Learning untuk Klasterisasi Area Risiko Wasting pada Balita Berbasis Citra Satelit dan Official Statistic di NTT
Kata Kunci:
wasting, klasterisasi, machine learning, citra satelit, Nusa Tenggara TimurAbstrak
Wasting merupakan bentuk malnutrisi akut yang masih menjadi tantangan serius di Indonesia, dengan Provinsi Nusa Tenggara Timur (NTT) mencatat prevalensi tertinggi secara nasional pada tahun 2023. Penelitian ini bertujuan untuk mengelompokkan area risiko wasting di NTT melalui perbandingan performa tiga metode klasterisasi, yaitu K-Means, Fuzzy C-Means, dan Agglomerative Hierarchical, yang memanfaatkan integrasi statistik resmi dan variabel lingkungan dari citra satelit. Analisis dilakukan pada seluruh kabupaten/kota di NTT dengan menggunakan 13 indikator sosial ekonomi, kesehatan, dan lingkungan. Principal Component Analysis (PCA) diterapkan untuk mengatasi multikolinearitas sehingga variabel direduksi menjadi empat komponen utama. Perbandingan kinerja model dilakukan menggunakan Silhouette Score, Calinski Harabasz Index, dan Davies Bouldin Index. Hasil evaluasi menunjukkan bahwa K-Means memberikan performa terbaik dibandingkan dua metode lainnya, ditunjukkan oleh Silhouette Score dan Calinski Harabasz index tertinggi serta Davies Bouldin Index terendah. Model ini menghasilkan tiga klaster risiko yang konsisten, yaitu klaster risiko tinggi yang terkonsentrasi di Pulau Sumba dan Timor, klaster risiko sedang yang mendominasi wilayah Flores, serta klaster risiko rendah yang hanya terdapat di Kota Kupang. Setiap klaster memiliki karakteristik multidimensional yang berbeda, terutama terkait kondisi sosial ekonomi, akses layanan dasar, dan faktor lingkungan.
Referensi
Adha, B. N., Rizqi, E. R., & Raiawan, A. (2025). Faktor determinan kejadian wasting pada balita di wilayah kerja Puskesmas Pusako Kabupaten Siak. Jurnal Ilmu Gizi Dan Dietetik, 4(1), 1–8. https://doi.org/10.25182/jigd.2025.4.1.1-8
Afriyani, R., Malahayati, N., & Hartati, H. (2016). Faktor-faktor yang mempengaruhi kejadian wasting pada balita usia 1-5 tahun di Puskesmas Talang Betutu Kota Palembang. Jurnal Kesehatan, 7(1), 66. https://doi.org/10.26630/jk.v7i1.120
Badan Kebijakan Pembangunan Kementerian Kesehatan. (2023). SKI Dalam Angka 2023.
Bezdek, J. C. (1981). Pattern recognition with fuzzy objective function algorithms. Springer US. https://doi.org/10.1007/978-1-4757-0450-1
Dunn, J. C. (1973). A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters. Journal of Cybernetics, 3(3), 32–57. https://doi.org/10.1080/01969727308546046
Han, J., Pei, J., & Tong, H. (2022). Data Mining: Concepts and Techniques. Morgan Kaufmann.
Jolliffe, I. (2014). Principal component analysis. In Wiley StatsRef: Statistics reference online. Wiley. https://doi.org/10.1002/9781118445112.stat06472
Local burden of disease child growth failure collaborators. (2020). Mapping child growth failure across low- and middle-income countries. Nature, 577(7789), 231–234. https://doi.org/10.1038/s41586-019-1878-8
Luchia, N. T., Handayani, H., Hamdi, F. S., Erlangga, D., & Octavia, S. F. (2022). Perbandingan K-Means dan K-Medoids pada pengelompokan data miskin di Indonesia. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 2(2), 35–41. https://doi.org/10.57152/malcom.v2i2.422
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations.
Maulani, G. R., & Julianawati, T. (2022). Pengaruh pemberian MP-ASI dan penyakit infeksi terhadap kejadian wasting pada balita usia 0-59 bulan di Kota Solok dan Kota Pariaman. Jurnal Promotif Preventif, 4(2), 88–93. https://doi.org/10.47650/jpp.v4i2.363
Prasetyo, E., & Sahala, A. (2014). Data Mining: mengolah data menjadi informasi menggunakan Matlab. Andi.
Sanusi, W., Zaky, A., & Afni, B. N. (2020). Analisis Fuzzy C-Means dan penerapannya dalam pengelompokan kabupaten/kota di Provinsi Sulawesi Selatan berdasarkan faktor-faktor penyebab gizi buruk. Journal of Mathematics, Computations, and Statistics, 2(1), 47. https://doi.org/10.35580/jmathcos.v2i1.12458
Suharmiati, S., & Rochmansyah, R. (2018). Mengungkap kejadian infeksi kecacingan pada anak sekolah dasar (studi etnografi di Desa Taramanu Kabupaten Sumba Barat). Buletin Penelitian Sistem Kesehatan, 21(3), 211–217. https://doi.org/10.22435/hsr.v21i3.420
Suratri, M. A. L., Putro, G., Rachmat, B., Nurhayati, Ristrini, Pracoyo, N. E., Yulianto, A., Suryatma, A., Samsudin, M., & Raharni. (2023). Risk factors for stunting among children under five years in the Province of East Nusa Tenggara (NTT), Indonesia. International Journal of Environmental Research and Public Health, 20(2), 1640. https://doi.org/10.3390/ijerph20021640
Vaghela, R. D., & Iyer, S. S. (2022). A comparative analysis of clustering algorithm. ECS Transactions, 107(1), 2435–2443. https://doi.org/10.1149/10701.2435ecst
World Health Organization. (2023). Levels and trends in child malnutrition: Joint child malnutrition estimates 2023.
Yusuf, A. (2022). K-Means clustering based on distance measures: Stunting prevalence clustering in South Kalimantan. 2022 5th International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), 706–710. https://doi.org/10.1109/ISRITI56927.2022.10052925
