Article Sidebar

Download
PDF
Statistic
Read Counter : 23 Download : 12

Main Article Content

Abstract

Penelitian ini bertujuan memberikan pengetahuan terhadap pengelompokan penyebaran kasus stunting sehingga Pemerintah Kota Samarinda dapat membuat kebijakan yang tepat guna optimalisasi penurunan angka prevalensi stunting di Kota Samarinda. Teknik analisis data yang digunakan yaitu deskriptif kuantitatif dengan menerapkan Cross-Industry Standard Process Model for Data Mining atau CRISP-DM. Algoritma K-Means dapat digunakan dalam melakukan proses clustering terhadap dataset kasus stunting di Kota Samarinda tahun 2023. Ditinjau dari sudut pandang hasil clustering, bahwa kelurahan Sempaja Utara yang masuk dalam anggota cluster 7 memiliki prevalensi stunting paling tinggi dan juga merupakan wilayah yang memiliki nilai kemiskinan ekstrem dengan urutan pertama. Sebagai langkah akselerasi pencapaian tujuan penurunan prevalensi stunting sebaiknya Pemerintah Kota Samarinda membentuk sebuah kelompok kerja untuk melakukan evaluasi apakah kemiskinan ekstrem memiliki korelasi terhadap perkembangan kasus stunting di Kota Samarinda

Article Details

Creative Commons License

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

References

  1. Apriyani, P., Dikananda, A. R., & Ali, I. (2023). Penerapan Algoritma K-Means dalam Klasterisasi Kasus Stunting Balita Desa Tegalwangi. Jurnal Ilmu Komputer, 2(1), 20–33.
  2. Ditjen Bina Pembangunan Daerah - Kementerian Dalam Negeri, (2024). MONITORING PELAKSANAAN 8 AKSI KONVERGENSI INTERVENSI PENURUNAN STUNTING TERINTEGRASI https://aksi.bangda.kemendagri.go.id/emonev/DashPrev/index/5, diakses tanggal 9 Maret 2024
  3. Dwitri, N., Tampubolon, J. A., Prayoga, S., Ilmi Zer, F., & Hartama, D. (2020). Penerapan Algoritma K-Means Dalam Menentukan Tingkat Penyebaran Pandemi Covid-19 Di Indonesia. Jti (Jurnal Teknologi Informasi), 4(1), 101–105.
  4. Darmansah, D. D., & Wardani, N. W. (2021). Analisis Pesebaran Penularan Virus Corona di Provinsi Jawa Tengah Menggunakan Metode K-Means Clustering. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 8(1), 105–117.
  5. Fitriani, N. (2023). Data terbaru! Prevalensi stunting di Jabar menurun 4,3%, pencapaian target WHO semakin dekat. https://opendata.jabarprov.go.id/id/artikel/data-terbaru-prevalensi-stunting-di-jabar-menurun-43-pencapaian-target-who-semakin-dekat, diakses tanggal 8 Maret 2024
  6. Feblian, D., & Daihani, D. U. (2017). IMPLEMENTASI MODEL CRISP-DM UNTUK MENENTUKAN SALES PIPELINE PADA PT X. Jurnal Teknik Industri, 6(1). 1-12
  7. Fitriyani, V. (2021). Analisis Clustering Provinsi Indonesia Berdasarkan Persebaran Virus Corona ( Covid-19 ) Menggunakan Algoritma K-Means. Prosiding Pendidikan Matematika Dan Matematika
  8. Laili, U., & Andriani, R. A. (2019). Pemberdayaan Masyarakat Dalam Pencegahan Stunting. Jurnal Pengabdian Masyarakat Ipteks, 8-12
  9. Nabila, Z., Rahman Isnain, A., & Abidin, Z. (2021). ANALISIS DATA MINING UNTUK CLUSTERING KASUS COVID-19 DI PROVINSI LAMPUNG DENGAN ALGORITMA K-MEANS. Jurnal Teknologi dan Sistem Informasi (JTSI), 2(2), 100-108.
  10. Nurohmah, Y., Mayasari, R., & Nurina Sari, B. (2023). OPTIMALISASI PERFORMA K-MEANS CLUSTERING DENGAN PCA DALAM ANALISIS TINGKAT KEMISKINAN DI JAWA BARAT. Jurnal Mahasiswa Teknik Informatika,7(3),1657-1665.
  11. Tasman, R., Wibowo, A., Indawati, R., Dwi Elisanti, A. (2020). Analisis Kluster Kejadian Stunting pada Balita di Provinsi Kalimantan Timur. Jurnal Kesehatan, 8(3), 143–150.
  12. Yuri, A. (2023). Sering Disebut, Apa Arti Prevalensi, Cara Mengukur dan Fungsinya?. https://soloabadi.com/sering-disebut-apa-arti-prevalensi-cara-mengukur-dan-fungsinya/, diakses tanggal 7 Maret 2024.