Text

Analisis Perbandingan Algoritma K-Means Dan K-Medoids Pada Kasus Pengelompokan Data Stunting Di Indonesia

---

Perbandingan kinerja kedua algoritma dilakukan menggunakan tiga indeks validasi klaster. Hasilnya, K-Means menunjukkan performa yang lebih baik dengan nilai Silhouette Score 0.69, yang mengindikasikan seberapa mirip data dalam satu klaster satu sama lain. Nilai Davies-Bouldin Index yang rendah (0.51). Selain itu, nilai Calinski-Harabasz Index yang tinggi (2513.71). Hal ini mengindikasikan bahwa K-Means lebih optimal dalam mengelompokkan data stunting di Indonesia tahun 2021-2023. Algoritma K-Means menghasilkan klaster yang lebih padat dan terpisah dengan baik. Hal ini dikarenakan K-Means bekerja dengan baik pada data numerik, dan data stunting memiliki beberapa atribut numerik penting seperti ‘jumlah balita’, ‘stunting pendek (anak)’, ‘stunting sangat pendek (anak)’, dan ‘prevalensi (%)’. Selain itu, dataset yang relatif besar dengan 1333 data membuat K-Means efisien dalam pengolahan data. Interpretasi hasil klasterisasi K-Means juga lebih mudah karena pusat klaster (centroid) berupa nilai rata-rata dari atribut-atribut dalam klaster, sehingga memudahkan pemahaman karakteristik data dari setiap klaster.

---

Ketersediaan

Informasi Detail

Judul Seri

-

No. Panggil

000

Penerbit

: ., 2025

Deskripsi Fisik

118 hlm

Bahasa

Indonesia

ISBN/ISSN

20103041038

Klasifikasi

000

Tipe Isi

text

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

Prodi Teknik Informatika
Fakultas Teknik

Info Detail Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

File Karya Ilmiah

Komentar

---

Anda harus masuk sebelum memberikan komentar