PROPOSAL TUGAS AKHIR

Klasterisasi Status Gizi Balita Menggunakan

Metode K-Medoids Clustering

Oleh:
Anisa Rahma Utami
1811017220013

Dibimbing oleh:
1. Dewi Anggraini, S.Si., M.App.Sci., Ph.D
2. Yuana Sukmawaty, S.Si., M.Si

SEMESTER GENAP 2021/2022

PROGRAM STUDI STATISTIKA
FAKULTAS MATEMATIKA & ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMBUNG MANGKURAT
JANUARI, 2022
 Daftar Isi

HALAMAN PENGESAHAN ................................................................................................................................................... ii

Daftar Isi ..................................................................................................................................................................................... iii
Daftar Tabel .............................................................................................................................................................................. iv
Daftar Gambar ...........................................................................................................................................................................v
A. Judul Tugas Akhir .......................................................................................................................................................... 6
B. Latar Belakang ................................................................................................................................................................ 6
C. Rumusan Permasalahan ............................................................................................................................................ 7
D. Tujuan Penelitian .......................................................................................................................................................... 7
E. Manfaat Penelitian ........................................................................................................................................................ 8
F. Kajian Pustaka ................................................................................................................................................................ 8
1. Kajian Penelitan Terdahulu................................................................................................................................. 8
2. Kajian Teori ................................................................................................................................................................. 9
2.1 Normalitas Data .................................................................................................................................................... 9
2.2 Analisis Klaster (Clustering Analysis) ........................................................................................................10
2.3 Uji Asumsi...............................................................................................................................................................11
2.4 Metode Siku (Elbow Method) ........................................................................................................................12
2.5 K-Medoids Clustering .........................................................................................................................................13
2.6 Koefisien Silhoutte (Silhoutte Coefficient) ..............................................................................................15
2.7 Status Gizi ................................................................................................................................................................16
G. Metode Penelitian .......................................................................................................................................................19
1. Sumber Data .............................................................................................................................................................19
2. Variabel Penelitian ................................................................................................................................................20
3. Prosedur Penelitian ..............................................................................................................................................21
4. Alur Penelitian .........................................................................................................................................................22
H. Jadwal Penelitian .........................................................................................................................................................22
Daftar Pustaka ........................................................................................................................................................................24
 Daftar Tabel

Tabel 1 Nilai Kaufman untuk Silhoutte Coefficient ................................................................................................16

Tabel 2 Variabel Penelitian ..............................................................................................................................................20
Tabel 3 Struktur Tabel Penyajian Data Penelitian ................................................................................................20
Tabel 4 Rancangan Jadwal Penelitian .........................................................................................................................22

iv
 Daftar Gambar

Gambar 1 Perbandingan Prevalensi Status Gizi Balita Kota Banjarbaru, Provinsi Kalimantan
Selatan, dan Nasional (Sumber : (Sudikno et al., 2019), diolah) .............................................. 6
Gambar 2 Identifikasi Klaster Optimal Elbow Method ........................................................................................13
Gambar 3 Flowchart K-Medoids Clustering ...............................................................................................................14
Gambar 4 Kartu Menuju Sehat Balita Laki-Laki dan Balita Perempuan .....................................................18
Gambar 5 Flowchart Alur Penelitian ...........................................................................................................................22

v
A. Judul Tugas Akhir
KLASTERISASI STATUS GIZI BALITA MENGGUNAKAN METODE K-MEDOIDS CLUSTERING.

B. Latar Belakang
Keadaan gizi yang baik merupakan salah satu faktor penting dalam upaya mencapai derajat
kesehatan yang optimal. Namun, permasalahan pemenuhan gizi pada balita selalu menjadi
perhatian pemerintah karena kekurangan gizi atau yang biasa disebut malnutrisi merupakan
salah satu masalah kesehatan yang cukup sering menimpa balita-balita di Indonesia yang jelas
akan berdampak pada kualitas sumber daya manusia.

Balita atau anak yang berusia antara satu sampai lima tahun merupakan kelompok yang usianya
rentan dalam masalah kesehatan dan nutrisi. Malnutrisi yang sering dialami oleh balita antara
lain stunting, wasting, dan underweight. Meskipun terjadi tren penurunan angka prevalensi kasus
stunting, wasting, dan underweight, namun Indonesia harus tetap bekerja keras dalam
menurunkan angka prevalensi kasus malnutrisi pada balita, terutama untuk kasus stunting yang
ditargetkan turun hingga 19% pada tahun 2024 (Watson. Fiona et al., 2019).

Sedangkan untuk Kalimantan Selatan menurut Studi Survey Gizi Balita di Indonesia (SSGBI) pada
tahun 2019, angka balita dengan gejala stunting, underweight, dan wasting masih berada diatas
prevalensi nasional. Kabupaten Balangan menjadi wilayah tertinggi untuk prevalensi stunting
(51,3%) dan underweight (34,8%). Untuk angka kasus wasting, Kabupaten Banjar menjadi
daerah dengan kasus tertinggi sebesar 15,4%. Pada Kota Banjarbaru sendiri, angka prevalensi
kasus underweight dan wasting juga masih berada diatas angka prevalensi provinsi maupun
nasional. Prevalensi kasus underweight di Kota Banjarbaru pada tahun 2019 masih berada di
angka 21,3% dan prevalensi wasting di angka 11,7%. Prevalensi kasus wasting di Kota
Banjarbaru bahkan menjadi yang ke-3 tertinggi di Provinsi Kalimantan Selatan pada tahun 2019.
Sedangkan untuk angka prevalensi stunting Kota Banjarbaru berada dibawah angka prevalensi
provinsi maupun nasional, namun masih tergolong tinggi yaitu sebesar 26,7% (Gambar 1).
Meskipun dibawah angka prevalensi provinsi, namun angka ini cukup tinggi jika dibandingkan
dengan wilayah lain di Indonesia.

Perbandingan Prevalensi Status Gizi Balita

(0-59 Bulan)
40
Persentase (%)

30
20
10
0
Stunting Underweight Wasting
Banjarbaru 26.7 21.3 11.7
Kalimantan Selatan 31.7 21 9.1
Indonesia 27.3 16.1 7.4

Gambar 1 Perbandingan Prevalensi Status Gizi Balita Kota Banjarbaru, Provinsi Kalimantan Selatan, dan Nasional
(Sumber : (Sudikno et al., 2019), diolah)

6
 Sistem analisa status gizi balita yang dilakukan oleh pihak tenaga kesehatan di wilayah
Banjarbaru mayoritas masih diterapkan secara manual dengan masih menggunakan
perhitungan rumusan di atas kertas. Akibatnya, waktu akan lebih banyak terbuang dan dari segi
hasil perhitungan juga belum tentu akurat. Maka, tentu diperlukan waktu tambahan guna
mengoptimalkan data-data status gizi balita tersebut. Jumlah data tentang gizi balita yang terus
meningkat memerlukan metode digitalisasi terutama yang berbasis statistika untuk mengolah
dan mengambil kesimpulan serta informasi dari data tersebut.

Pada tahun 2015 telah dilakukan penelitian mengenai status gizi balita oleh Windha Mega
Pradnya Dhuhita. Penelitian ini menyatakan bahwa algoritma K-Means clustering hanya memiliki
nilai akurasi 34% untuk mengelompokan gizi balita (Mega, 2015). Dari penelitian tersebut
diketahui perlu adanya penelitian kembali dalam penentuan status gizi balita dengan
menggunakan metode dan parameter yang berbeda sehingga akan menghasilkan nilai akurasi
yang lebih baik dalam mengelompokkan status gizi balita.

Berdasarkan permasalahan yang telah dijelaskan, penelitian ini mencoba menggunakan metode
yang dapat mempermudah dan lebih baik dalam proses penentuan status gizi pada balita. Dari
penelitian yang dilakukan oleh Preeti Arora, Dr. Deepali , dan Shipra Varshney di tahun 2015
dilakukan penelitian yang telah membandingkan algoritma K-Means dan K-Medoids clustering
dengan 10 ribu dataset dari KEEL. Hasil perbandingan menunjukkan bahwa waktu yang
dibutuhkan dalam pemilihan kepala cluster dan kompleksitas ruang tumpang tindih cluster jauh
lebih baik di K-Medoids daripada K-Means. Hasil dari dataset ini juga menunjukkan bahwa K-
Medoids lebih baik dalam semua aspek seperti waktu eksekusi, tidak sensitif terhadap outlier
dan pengurangan kebisingan (noise) (Arora et al., 2016).

Penggunaan metode K-Medoids clustering diharapkan akan mampu meningkatkan kualitas data,
informasi dan efisiensi serta efektivitas pengolahan data agar dapat mengurangi kemungkinan
human error, sehingga pada akhirnya dapat memudahkan dalam pembuatan kebijakan terutama
dalam menanggulangi masalah gizi pada balita. Berdasarkan kondisi tersebut, peneliti tertarik
untuk menganalisis mengenai klasterisasi data status gizi balita menggunakan data
pertumbuhan Balita yang terdaftar di Puskesmas Sungai Ulin Banjarbaru selama bulan Maret
2020 – Desember 2020.

C. Rumusan Permasalahan
Berdasarkan latar belakang, maka rumusan masalah dalam penelitian tugas akhir ini adalah
sebagai berikut:
1. Bagaimana menentukan klasterisasi gizi balita menggunakan metode K-Medoids Clustering ?
2. Bagaimana menjelaskan karakteristik setiap cluster dari hasil klasterisasi status gizi balita
menggunakan K-Medoids Clustering ?

D. Tujuan Penelitian
Berdasarkan rumusan masalah, maka tujuan yang ingin dicapai dalam penelitian tugas akhir ini
adalah sebagai berikut:
1. Menentukan klasterisasi gizi balita menggunakan metode K-Medoids Clustering.

7
 2. Menjelaskan karakteristik setiap cluster dari hasil klasterisasi status gizi balita
menggunakan K-Medoids Clustering.

E. Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan manfaat bagi ilmu pengetahuan yaitu sebagai
informasi dalam memahami penggunaan K-Medoids clustering. Untuk instansi terkait, hasil
penelitian ini diharapkan dapat digunakan sebagai dasar dan solusi alternatif dalam membantu
para tenaga kesehatan melakukan diagnosis dan klasterisasi status gizi balita agar lebih cepat
dan efisien.

F. Kajian Pustaka
1. Kajian Penelitan Terdahulu
Penelitian oleh Dini Marlina dkk (2018) menunjukkan bahwa K-Medoids mampu melakukan
pengelompokan pada data sebaran anak cacat yang di Provinsi Riau dengan klaster yang
dihasilkan berjumlah tiga klaster. Algoritma K-Medoids dan K-Means dibandingkan dengan
melihat nilai validitasnya. Validitas yang digunakan adalah validitas Silhoutte Coefficient
Adapun nilai validitas yang dihasilkan pada algoritma K-Medoids adalah sebesar 0.5009.
Sedangkan nilai validitas yang dihasilkan pada algoritma K-Means adalah 0.1443. Hal ini
menunjukkan bahwa algoritma K-Medoids lebih baik dalam melakukan pengelompokan pada
data sebaran anak cacat dibandingkan dengan algoritma K-Means (Marlina et al., 2018).

Intan Alpiana dan Lilik Anifah (2019) telah melakukan penelitian terkait penentuan kategori
status gizi balita menggunakan penggabungan metode klasterisasi agglomerative dan K-
Means clustering. Penelitian ini mencoba untuk mengelompokan data balita dari Puskesmas
Pulung Ponorogo dengan jumlah 7336 data (testing data sebanyak 3641 dan learning data
sebanyak 3695 data) dengan variabel jenis kelamin, usia, berat badan dan tinggi badan
kedalam 4 klaster dari masing-masing status gizi balita. Untuk klaster Berat Badan (BB)/Usia
(U) terdiri dari 4 klaster BB Sangat Kurang, BB Kurang, BB Normal, dan BB Lebih. Untuk
klaster Tinggi Badan (TB)/U sebanyak 4 klaster yang terdiri dari Sangat Pendek, Pendek,
Normal, dan Tinggi. Sedangkan untuk 4 klaster BB/TB adalah klaster Sangat Kurus, Kurus,
Normal dan Gemuk. Pada penelitian ini metode kombinasi K-Means dan agglomerative
hierarchical clustering (KnA) mampu dengan baik mengelompokan data balita dalam jumlah
yang besar. Untuk KnA yang menggunakan agglomerative hierarchical clustering ke rekursif
K-Means menghasilkan akurasi sebesar BB/U = 94%, TB/U = 98%, dan BB/TB = 93%. Nilai-
nilai ini dapat berubah seiring dengan penambahan data learning (Alpiana & Anifah, 2019).

Penelitian yang dilakukan oleh Siti Sundari dkk pada tahun 2019 telah melakukan
pengelompokkan data imunisasi campak balita di Indonesia menggunakan metode K-Medoids
Clustering. Pada penelitian ini data yang digunakan bersumber dari Badan Pusat Statistik
Nasional tahun 2004-2017. Penelitian ini menunjukkan bahwa metode K-Medoids Clustering
dapat diterapkan pada data persentase imunisasi campak balita berdasarkan provinsi,
sehingga dapat diketahui pengelompokkan provinsi berdasarkan data tersebut. Dari data
pengelompokan tersebut diperoleh 3 klaster yakni klaster rendah (2 provinsi), klaster sedang

8
 (30 provinsi) dan klaster tinggi (2 provinsi) dari persentase imunisasi campak balita pada
setiap provinsi. (Sundari et al., 2019)

Penelitian yang dilakukan oleh Stefanny Surya Nagari dan Lilik Inayati pada tahun 2020 juga
telah melakukan pengelompokan status gizi anak usia dibawah 60 bulan dengan metode K-
Means Clustering. Penelitian ini menggunakan data sekunder di Ponkesdes Mayangrejo
Kabupaten Bojonegoro dari Januari hingga Juni 2019, tanpa interaksi langsung dengan
subjek. Data tersebut diperoleh dari hasil proses pengambilan sampel yang dilakukan secara
acak sebanyak 57 balita sebagai sampel. Status gizi diukur menurut Peraturan Kementerian
Kesehatan Indonesia Nomor 155/Menkes/Per/I/2010 Tentang Penggunaan Kartu Menuju
Sehat (KMS) Bagi Standar Klasifikasi Balita, yaitu Berat badan berdasarkan Usia. Penelitian
ini menyimpulkan bahwa dapat dilakukan proses pengelompokan status gizi menggunakan
K-Means dengan hasil 4 kluster yang terbentuk, terdiri dari 23 balita gizi buruk, 17 balita gizi
kurang, 7 balita gizi baik dan 10 balita gizi lebih (Nagari & Inayati, 2020).

2. Kajian Teori

2.1 Normalitas Data

Tujuan dari proses analisis klaster adalah untuk mengelompokkan objek-objek yang
mempunyai kemiripan yang sama dalam satu klaster. Objek dengan jarak yang lebih dekat
akan lebih mirip satu sama lain dibandingkan jarak yang lebih jauh. Jika rentang nilai antar
objek memiliki perbedaan skala yang cukup besar yang dapat menyebabkan bias dalam
analisis klaster, maka data asli perlu dilakukan normalisasi. Normalisasi dapat
menghilangkan pengaruh dari unit pengukuran dan dapat memperkecil perbedaan antar
kelompok atau klaster. Normalisasi data dapat dilakukan dengan cara semua dimensi atau
sub-variabel penyusun ditransformasi ke dalam data standar (nilai rata-rata sama dengan
nol, variansi sama dengan satu). Cara menentukan nilai normalisasi adalah dengan
menghitung nilai rata-rata dan standar deviasi yaitu (Tri et al., 2020):
𝑛
1
𝑍̅ = ( ) ∑ 𝑍(𝑡) (2.1)
𝑛
𝑡=1

dan
𝑛
1
𝑆𝑍 = √ ∑(𝑍(𝑡) − 𝑍)2 (2.2)
𝑛−1
𝑡−1

Kemudian menghitung data hasil normalisasi dengan menggunakan persamaan :

𝑍(𝑡) − 𝑍̅
𝑍̃(𝑡) = (2.3)
𝑆𝑍

9
 dimana :
𝑍(𝑡) ∶ 𝐷𝑎𝑡𝑎 𝑍 𝑝𝑎𝑑𝑎 𝑤𝑎𝑘𝑡𝑢 𝑘𝑒 − 𝑡
𝑛 ∶ 𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑑𝑎𝑡𝑎
𝑍̅ ∶ 𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑑𝑎𝑟𝑖 𝑍(𝑡)
𝑆𝑍 ∶ 𝑆𝑡𝑎𝑛𝑑𝑎𝑟 𝑑𝑒𝑣𝑖𝑎𝑠𝑖 𝑑𝑎𝑟𝑖 𝑍(𝑡)
𝑍̃(𝑡) ∶ 𝑁𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑠𝑖 𝑑𝑎𝑡𝑎 𝑍 𝑝𝑎𝑑𝑎 𝑤𝑎𝑘𝑡𝑢 𝑘𝑒 − 𝑡

2.2 Analisis Klaster (Clustering Analysis)

Cluster atau “klaster‟ dapat diartikan “kelompok‟ karena pada dasarnya analisis klaster
akan menghasilkan sejumlah klaster (kelompok). Analisis ini diawali dengan pemahaman
bahwa sejumlah data tertentu sebenarnya mempunyai kemiripan diantara anggotanya,
karena itu dimungkinkan untuk mengelompokkan anggota-anggota yang “mirip‟ atau
mempunyai karakteristik yang serupa tersebut dalam satu atau lebih dari satu klaster
(Santoso S., 2015)

Ciri-ciri suatu klaster yang baik yaitu mempunyai homogenitas internal dan heterogenitas
eksternal. Homogenitas internal (within cluster), yaitu mempunyai kesamaan yang cukup
besar antar anggota dalam satu kluster. Setiap anggota kelompok atau gerombol homogen
mempunyai karakteristik tertentu. Hal ini berarti bahwa observasi dalam satu kelompok
sama dengan observasi lain dalam satu kelompok yang sama. Sedangkan heterogenitas
eksternal (between cluster), yaitu setiap kelompok seharusnya berbeda dari kelompok lain
dengan karakteristik yang sama. Hal ini berarti bahwa observasi dalam kelompok yang satu
seharusnya berbeda dari observasi dalam kelompok lain (Santoso S., 2015)

Proses pengelompokan pada analisis klaster dapat dilakukan dengan dua metode yaitu
metode hirarki (hierarchical method) dan non-hirarki (non-hierarchical method)(Johnson &
Wichern, 1998). Perbedaan dasar dalam metode non-hierarki dan metode hierarki ini
adalah pada penentuan jumlah kelompok yang akan dibentuk dalam proses clustering.
Metode hirarki diawali dengan pengelompokan dengan dua atau lebih objek yang
mempunyai kesamaan karakteristik paling dekat. Berbeda dengan metode hierarki, metode
non-hierarki justru diawali dengan menentukan terlebih dahulu jumlah klaster yang
diinginkan (Santoso S., 2015).

Secara umum proses dasar dari analisis klaster adalah sebagai berikut (Santoso S., 2015):
1. Menetapkan ukuran jarak antar data.
Berdasarkan prinsip dasar analisis klaster yaitu mengelompokkan objek yang memiliki
kemiripan (similarity), maka proses awal adalah mengukur seberapa besar kemiripan
antar objek. Terdapat tiga metode yang dapat digunakan untuk menentukan kemiripan
antar objek, yaitu :
[1] Mengukur korelasi antara sepasang objek pada beberapa variabel dengan syarat jika
data adalah metrik;
[2] Mengukur jarak antara dua objek dengan syarat jika data adalah metrik; dan
[3] Mengukur asosiasi antar objek dengan syarat jika data adalah non-metrik.
2. Melakukan standariasi data jika diperlukan.

10
 Jika sekumpulan data mempunyai satuan yang berbeda signifikan, maka harus dilakukan
proses standarisasi dengan mengubah data yang ada ke Z-Score. Melalui proses
standarisasi akan memperkecil rentang nilai antara dua buah data.
3. Melakukan proses clustering.
Setelah menyeragamkan satuan data (jika diperlukan), langkah selanjutnya adalah
membuat klaster. Proses inti dari analisis klaster adalah pengelompokan data yang dapat
dilakukan dengan metode hirarki (hierarchical method) dan non-hirarki (non-
hierarchical method).
4. Melakukan penamaan klaster yang terbentuk.
Setelah sejumlah klaster terbentuk, langkah selanjutnya yaitu melakukan interpretasi
terhadap klaster yang terbentuk.
5. Melakukan validasi dan profiling klaster.
Klaster yang telah terbentuk kemudian diuji validitasnya. Kemudian dilakukan proses
profiling untuk menjelaskan karakteristik setiap klaster berdasar profil tertentu.

2.3 Uji Asumsi

Terdapat dua asumsi yang perlu diperhatikan dalam analisis klaster yaitu keterwakilan
sampel (representativeness of the sample) dan multikolinieritas (multicollinearity) (Hair et al.,
2010).
2.3.1 Keterwakilan Sampel
Asumsi keterwakilan sampel digunakan agar hasil analisis klaster dapat digeneralisasikan
untuk populasi yang diinginkan. Penggunaan sampel dalam penelitian harus dapat
mewakili populasi atau representatif. Penggunaan sampel yang representatif akan
memberikan hasil yang maksimal dan sesuai dengan kondisi populasi yang ada. Namun
apabila penelitian menggunakan populasi maka dapat disimpulkan bahwa asumsi
representatif terpenuhi (Hair et al., 2010). Keterwakilan sampel dapat diuji dengan uji
Kaiser Meyer Olkin (KMO). KMO digunakan untuk mengukur kecukupan sampling untuk
setiap variabel dan kecukupan sampling secara menyeluruh (Haryono, 2016). Hipotesis
dari uji KMO adalah:
𝐻0 ∶ 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑚𝑒𝑤𝑎𝑘𝑖𝑙𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖
𝐻1 ∶ 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑚𝑒𝑤𝑎𝑘𝑖𝑙𝑖 𝑝𝑜𝑝𝑢𝑙𝑎𝑠𝑖

Statistik uji disajikan dalam persamaan 2.4.

∑𝑝𝑖=1 ∑𝑝𝑗=1 𝑟𝑖𝑗 2

𝐾𝑀𝑂 = (2.4)
∑𝑝𝑖=1 ∑𝑝𝑗=1 𝑟𝑖𝑗 2 + ∑𝑝𝑖=1 ∑𝑝𝑗=1 𝑎𝑖𝑗 2
dengan,
𝑝
𝑛 ∑𝑛𝑖=1 𝑋𝑖 𝑋𝑗 − (∑𝑛𝑖=1 𝑋𝑖 )(∑𝑗=1 𝑋𝑗 )
𝑟𝑖𝑗 = (2.5)
2 2
√[𝑛 ∑𝑛𝑖=1 𝑋𝑖 2 − (∑𝑛𝑖=1 𝑋𝑖 ) ] [𝑛 ∑𝑝𝑗=1 𝑋𝑗 2 − (∑𝑝𝑗=1 𝑋𝑗 ) ]

11
 𝑟𝑋𝑖 𝑋𝑗 − 𝑟𝑋𝑖𝑋𝑗∙ 𝑟𝑋𝑖𝑋𝑗
𝑎𝑖𝑗 = −
(2.6)
√(1 − 𝑟 2 𝑋𝑖𝑋𝑗 ) (1 − 𝑟 2 𝑋𝑖𝑋𝑗 )
dimana:

𝑖 = 1,2,3, … , 𝑝 dan 𝑗 = 1,2, … , 𝑝

𝑟𝑖𝑗 ∶ 𝐾𝑜𝑟𝑒𝑙𝑎𝑠𝑖 𝑝𝑒𝑎𝑟𝑠𝑜𝑛 𝑎𝑛𝑡𝑎𝑟𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑖 𝑑𝑎𝑛 𝑗

𝑎𝑖𝑗 ∶ 𝐾𝑜𝑟𝑒𝑙𝑎𝑠𝑖 𝑝𝑎𝑟𝑠𝑖𝑎𝑙 𝑎𝑛𝑡𝑎𝑟𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑖 𝑑𝑎𝑛 𝑗

𝑋𝑖 ∶ 𝐷𝑎𝑡𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑘𝑒 − 𝑖

𝑋𝑗 ∶ 𝐷𝑎𝑡𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑘𝑒 − 𝑗

Sampel akan dikatakan layak untuk dilakukan analisis faktor apabila nilai KMO > 0.5 (Hair
et al., 2010).

2.3.2 Uji Multikolinearitas

Multikolinieritas adalah suatu peristiwa dimana terjadi korelasi yang kuat antara dua atau
lebih variabel kelompok. Multikolinieritas merupakan masalah yang perlu diperhatikan
dalam analisis multivariat pada umumnya, karena pengaruhnya yang sangat besar dalam
menghasilkan solusi, sehingga mengganggu proses analisis. Namun dalam analisis
kelompok efeknya berbeda, yaitu variabel-variabel yang terjadi multikolinieritas secara
implisit dibobot lebih besar. Karena alasan ini peneliti dianjurkan untuk menguji variabel
kelompok mana yang secara substansial menimbulkan multikolinieritas (Hair et al.,
2010).

Hocking (1996) mengemukakan bahwa ada tiga kriteria yang bisa dipakai untuk
mengetahui terjadinya multikolinearitas, dan yang paling umum digunakan adalah
Varians Inflation Factor (VIF). Apabila nilai VIF lebih besar dari 10 menunjukkan
terjadinya multikolinieritas antara variabel-variabel predictor (Nurissaidah & Rafika,
2020). Rumus dalam menghitung Varians Inflation Factor (VIF) sebagai berikut :
1
𝑉𝐼𝐹 = (2.7)
1 − 𝑅2
dengan R2 adalah nilai koefisien determinasi antar variabel independen.

2.4 Metode Siku (Elbow Method)

Metode Elbow digunakan untuk memilih jumlah klaster berdasarkan siku yang terbentuk
pada suatu titik di grafik Sum Squared of Error (SSE) dan didasarkan pada penurunan SSE yang
besar (Thamrin & Wijayanto, 2021). Metode elbow biasa disajikan dalam bentuk grafik untuk
mengetahui lebih jelas siku yang terbentuk. Adapun persamaan yang digunakan dalam metode
elbow yaitu nilai total WSS (Within Cluster Sum of Squares) atau biasa disebut dengan SSE (Sum
Square Error) dengan rumus sebagai berikut (Fitrianingsih, 2021).

12
 𝑘
2
𝑆𝑆𝐸 = ∑ ∑ |𝑥𝑖 − 𝜇𝑘 | (2.8)
𝑘=1 𝑥𝑖 ∈𝜇𝑘

dimana:

𝑘 ∶ 𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑙𝑎𝑠𝑡𝑒𝑟

𝑥𝑖 ∶ 𝐴𝑡𝑟𝑖𝑏𝑢𝑡 𝑑𝑎𝑡𝑎 𝑘𝑒 − 𝑖

𝜇𝑘 ∶ 𝑃𝑢𝑠𝑎𝑡 𝑘𝑙𝑎𝑠𝑡𝑒𝑟 𝑘𝑒 − 𝑘

Dari Gambar 2 akan terlihat hasil dari perhitungan SSE akan ada beberapa nilai k yang
mengalami penurunan paling besar dan selanjutnya hasil dari nilai K akan turun secara
perlahan-lahan sampai hasil dari nilai k tersebut stabil, seperti pada nilai klaster k=3 ke
k=4, kemudian dari k=4 ke k=5, terlihat penurunan yang drastis membantuk siku pada titik
k=4 maka nilai klaster k yang ideal adalah=4 (Bahri, 2019).

Gambar 2 Identifikasi Klaster Optimal Elbow Method

2.5 K-Medoids Clustering

K-Medoids Clustering, juga dikenal sebagai Partitioning Around Medoids (PAM), adalah
varian dari metode K-Means. Hal ini didasarkan pada penggunaan medoids bukan dari
pengamatan mean yang dimiliki oleh setiap klaster, dengan tujuan mengurangi sensitivitas
dari partisi sehubungan dengan nilai ekstrim yang ada dalam dataset (Vercellis, 2008)

K-Medoids Clustering menggunakan metode pengklasteran partisi untuk mengklasterkan

sekumpulan n objek menjadi sejumlah k klaster. Algoritma ini menggunakan objek pada
kumpulan objek yang mewakili sebuah klaster. Objek yang mewakili sebuah klaster disebut
dengan medoids. Klaster dibangun dengan menghitung kedekatan yang dimiliki antara
medoids dengan objek non medoids (Sangga, 2018). K-Medoids Clustering hadir untuk
mengatasi kelemahan K-Means Clustering yang sensitif terhadap outlier karena suatu objek
dengan suatu nilai yang besar mungkin secara substansial menyimpang dari distribusi data
(Han et al., 2011).

13
Langkah-langkah melakukan pengelompokan dengan menggunakan metode K-medoids
Clustering sebagai berikut :

Gambar 3 Flowchart K-Medoids Clustering

Berdasarkan Gambar 3 diatas dapat dijelaskan bahwa langkah-langkah metode K-

Medoids clustering diantaranya:
1. Menentukan k sebagai banyaknya klaster yang akan dibentuk.
2. Inisiasi dan bangkitkan k pusat klaster (medoids) secara acak.
3. Menghitung jarak objek non medoids dengan medoids pada tiap klaster dan
menempatkan tiap objek non medoid tersebut ke medoid terdekat, kemudian hitung
total jaraknya perhitungan jarak objek antar klaster akan menggunakan persamaan
ukuran jarak Euclidean Distance dengan rumus sebagai berikut:
𝑛

𝑑𝑖𝑘 = √∑(𝑥𝑖𝑗 − 𝑥𝑘𝑗 )2 2.9

𝑗=1

dimana:

𝑑𝑖𝑘 = 𝐽𝑎𝑟𝑎𝑘 𝑎𝑛𝑡𝑎𝑟𝑎 𝑑𝑎𝑡𝑎 𝑘𝑒 − 𝑖 𝑑𝑒𝑛𝑔𝑎𝑛 𝑘𝑙𝑎𝑠𝑡𝑒𝑟 𝑘𝑒 − 𝑘

𝑛 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑦𝑎𝑛𝑔 𝑑𝑖𝑎𝑚𝑎𝑡𝑖
𝑥𝑖𝑗 = 𝑁𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎 𝑘𝑒 − 𝑖 𝑝𝑎𝑑𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑘𝑒 − 𝑗
𝑥𝑘𝑗 = 𝑁𝑖𝑙𝑎𝑖 𝑑𝑎𝑡𝑎 𝑝𝑢𝑠𝑎𝑡 𝑘𝑙𝑎𝑠𝑡𝑒𝑟 𝑘𝑒 − 𝑘 𝑝𝑎𝑑𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙 𝑘𝑒 − 𝑗
4. Pilih secara acak objek non medoids pada masing-masing klaster sebagai kandidat
medoids baru.

14
 5. Menghitung jarak setiap objek non medoids dengan medoids baru dan menempatkan
tiap objek non medoids tersebut ke kandidat medoids terdekat, kemudian hitung total
jaraknya.
6. Hitung total simpangan (S) dengan menghitung nilai total jarak baru – total jarak
lama. Jika S < 0, maka tukar objek dengan data klaster untuk membentuk
sekumpulan k objek baru sebagai medoids, namun jika diperoleh S > 0 iterasi
berhenti.
7. Ulangi langkah 4 sampai 6 hingga tidak terjadi perubahan medoids atau S > 0,
sehingga didapatkan klaster beserta anggota klaster masing-masing.

2.6 Koefisien Silhoutte (Silhoutte Coefficient)

Silhouette Coefficient (SC)merupakan metode yang menekankan pada validasi dan
penafsiran set data yang dikembangkan oleh Rousseeuw pada tahun 1987 untuk mengukur
kualitas sebuah klaster. Selain itu, SC juga dapat digunakan untuk menandakan derajat
kepemilikan dari masing-masing objek di dalam klaster. Penggabungan konsep cohesion
dan separation digunakan untuk memvalidasi hasil clustering (Pradana, 2019). Rumus SC
yaitu (Rousseeuw, 1987):
𝑏(𝑖) − 𝑎(𝑖)
𝑠(𝑖) =
max(𝑎(𝑖), 𝑏(𝑖)) 2.10

𝑛
1
𝑆𝐼 = ∑ 𝑠(𝑖) 2.11
𝑛
𝑖=1
𝑘
1
𝑆𝐶 = ∑ 𝑆𝐼 2.12
𝑘
𝑗=1
dimana :
𝑆𝐶 ∶ 𝑁𝑖𝑙𝑎𝑖 𝑆𝑖𝑙ℎ𝑜𝑢𝑡𝑡𝑒 𝐶𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡
𝑆𝐼 ∶ 𝑁𝑖𝑙𝑎𝑖 𝑆𝑖𝑙ℎ𝑜𝑢𝑡𝑡𝑒 𝐼𝑛𝑑𝑒𝑘𝑠 𝑠𝑒𝑡𝑖𝑎𝑝 𝑘𝑙𝑎𝑠𝑡𝑒𝑟
𝑠(𝑖) ∶ 𝑁𝑖𝑙𝑎𝑖 𝑆𝑖𝑙ℎ𝑜𝑢𝑒𝑡𝑡𝑒 𝐼𝑛𝑑𝑒𝑥 𝑑𝑎𝑡𝑎 𝑘𝑒 − 𝑖
𝑎(𝑖) ∶ 𝑅𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑗𝑎𝑟𝑎𝑘 𝑜𝑏𝑗𝑒𝑘 𝑘𝑒 − 𝑖 𝑑𝑒𝑛𝑔𝑎𝑛 𝑠𝑒𝑚𝑢𝑎 𝑜𝑏𝑗𝑒𝑘 𝑦𝑎𝑛𝑔 𝑏𝑒𝑟𝑎𝑑𝑎 𝑑𝑖 𝑑𝑎𝑙𝑎𝑚
𝑠𝑎𝑡𝑢 𝑘𝑙𝑎𝑠𝑡𝑒𝑟
𝑏(𝑖) ∶ 𝑁𝑖𝑙𝑎𝑖 𝑚𝑖𝑛𝑖𝑚𝑢𝑚 𝑑𝑎𝑟𝑖 𝑗𝑎𝑟𝑎𝑘 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑜𝑏𝑗𝑒𝑘 𝑖 𝑑𝑒𝑛𝑔𝑎𝑛 𝑠𝑒𝑚𝑢𝑎 𝑜𝑏𝑗𝑒𝑘 𝑝𝑎𝑑𝑎
𝑘𝑙𝑎𝑠𝑡𝑒𝑟 𝑙𝑎𝑖𝑛
𝑛 ∶ 𝐽𝑢𝑚𝑙𝑎ℎ 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑑𝑎𝑡𝑎
𝑖 ∶ 𝐷𝑎𝑡𝑎 𝑘𝑒 1, 2, 3 … 𝑛
𝑘 ∶ 𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑘𝑙𝑎𝑠𝑡𝑒𝑟
𝑗 ∶ 𝐾𝑙𝑎𝑠𝑡𝑒𝑟 𝑘𝑒 1, 2, 3 … 𝑘

Hasil perhitungan nilai SC bervariasi dengan rentang -1 sampai 1. Nilai rata-rata yang
dimiliki oleh SC dari masing-masing data objek dalam suatu klaster menunjukan seberapa
layak data tersebut dimasukkan dalam klaster. Berikut adalah tabel nilai Kaufman (Pradana,
2019):

15
 Tabel 1 Nilai Kaufman untuk Silhoutte Coefficient

Nilai Silhoutte Coefficient Keterangan

0,7 < 𝑆𝐶 ≤ 1 Struktur persebaran klaster yang kuat

0,5 < 𝑆𝐶 ≤ 0,7 Struktur persebaran klaster yang standar

0,25 < 𝑆𝐶 ≤ 0,5 Struktur persebaran klaster yang lemah

𝑆𝐶 ≤ 0,25 Mempunyai persebaran klaster yang

tidak struktur

2.7 Status Gizi

Status gizi (nutritional status) adalah keadaan yang diakibatkan oleh keseimbangan antara
asupan zat gizi dari makanan dan kebutuhan zat gizi oleh tubuh. Status gizi sangat
dipengaruhi oleh asupan gizi. Pemanfaatan zat gizi dalam tubuh dipengaruhi oleh dua
faktor, yaitu primer dan sekunder. Faktor primer adalah keadaan yang mempengaruhi
asupan gizi dikarenakan susunan makanan yang dikonsumsi tidak tepat, sedangkan faktor
sekunder adalah zat gizi tidak mencukupi kebutuhan tubuh karena adanya gangguan pada
pemanfaatan zat gizi dalam tubuh (Par’i et al., 2017).

Anak yang berat badannya kurang disebabkan oleh asupan gizinya yang kurang, hal ini
mengakibatkan cadangan gizi tubuhnya dimanfaatkan untuk kebutuhan dan aktivitas tubuh.
Kekurangan asupan gizi dari makanan dapat mengakibatkan penggunaan cadangan tubuh,
sehingga dapat menyebabkan kemerosotan jaringan. Kemerosotan jaringan ini ditandai
dengan penurunan berat badan atau terhambatnya pertumbuhan tinggi badan. Terdapat
banyak faktor yang menyebabkan gizi kurang, hal ini bukan semata-mata karena asupan zat
gizi saja, tetapi penyakit infeksi juga dapat mempengaruhi keadaan gizi seseorang.

Terdapat beberapa penilaian status gizi, yaitu dengan pengukuran antropometri, klinis dan
biofisik, yang disebut dengan penilaian status gizi secara langsung. Pengukuran
antropometri adalah jenis pengukuran yang paling sederhana dan praktis, karena mudah
dilakukan dan dapat dilakukan dalam jumlah sampel yang besar. Pengukuran antropometri
adalah pengukuran yang dilakukan terhadap berat badan (BB), tinggi badan (TB) dan
lingkaran bagian-bagian tubuh serta tebal lemak bawah kulit (Rahayu et al., 2018).

Antropometri berasal dari kata anthropo yang berarti manusia dan metri adalah ukuran.
Metode antropometri dapat diartikan sebagai mengukur fisik dan bagian tubuh manusia.
Jadi antropometri adalah pengukuran tubuh atau bagian tubuh manusia. Dalam menilai
status gizi dengan metode antropometri adalah menjadikan ukuran tubuh manusia sebagai
metode untuk menentukan status gizi. Konsep dasar yang harus dipahami dalam
menggunakan antropometri untuk mengukur status gizi adalah konsep dasar pertumbuhan.

16
Terdapat beberapa alasan kenapa antropometri digunakan sebagai indikator status gizi
(Rahayu et al., 2018), yaitu:
1. Pertumbuhan seorang anak agar berlangsung baik memerlukan asupan gizi yang
seimbang antara kebutuhan gizi dengan asupan gizinya.
2. Gizi yang tidak seimbang akan mengakibatkan terjadinya gangguan pertumbuhan,
kekurangan zat gizi akan mengakibatkan terhambatnya pertumbuhan, sebaliknya
kelebihan asupan gizi dapat mengakibatkan tumbuh berlebih (gemuk) dan
mengakibatkan timbulnya gangguan metabolisme tubuh.
Standar Antropometri Anak didasarkan pada parameter berat badan dan panjang/tinggi
badan menurut (Peraturan Menteri Kesehatan Republik Indonesia Nomor 2Tahun 2020
Tentang Standar Antropometri Anak, 2020) pada penelitian ini menggunakan 3 indeks
berikut:
1. Indeks Berat Badan menurut Usia (BB/U) Indeks BB/U ini menggambarkan berat badan
relatif dibandingkan dengan usia anak. Indeks ini digunakan untuk menilai anak dengan
berat badan kurang (underweight) atau sangat kurang (severely underweight), tetapi
tidak dapat digunakan untuk mengklasifikasikan anak gemuk atau sangat gemuk.
2. Indeks Panjang Badan menurut Usia atau Tinggi Badan menurut Usia (PB/U atau TB/U)
Indeks PB/U atau TB/U menggambarkan pertumbuhan panjang atau tinggi badan anak
berdasarkan usianya. Indeks ini dapat mengidentifikasi anak-anak yang pendek
(stunted) atau sangat pendek (severely stunted), yang disebabkan oleh gizi kurang dalam
waktu lama atau sering sakit.
3. Indeks Berat Badan menurut Panjang Badan/Tinggi Badan (BB/PB atau BB/TB) Indeks
BB/PB atau BB/TB ini menggambarkan apakah berat badan anak sesuai terhadap
pertumbuhan panjang/tinggi badannya. Indeks ini dapat digunakan untuk
mengidentifikasi anak gizi kurang (wasted), gizi buruk (severely wasted) serta anak yang
memiliki risiko gizi lebih (possible risk of overweight). Kondisi gizi buruk biasanya
disebabkan oleh penyakit dan kekurangan asupan gizi yang baru saja terjadi (akut)
maupun yang telah lama terjadi (kronis).

Untuk mencapai pertumbuhan yang optimal pada setiap balita, diperlukan pemantauan dan
penilaian status gizi serta tren pertumbuhan balita sesuai standar. Kartu Menuju Sehat
(KMS) balita yang dapat dilihat pada Gambar 4 adalah kartu yang memuat kurva
pertumbuhan normal balita berdasarkan indeks antropometri berat badan menurut umur
(BB/U) dan berdasarkan jenis kelamin. Gangguan pertumbuhan baik risiko kekurangan
maupun kelebihan gizi dapat diketahui lebih dini dengan KMS, sehingga dapat dilakukan
tindakan pencegahan secara lebih cepat dan tepat sebelum terjadinya masalah gizi yang
lebih berat (Direktorat Gizi Masyarakat, 2021).
Pada tahun 2020 KMS balita tetap menggunakan kurva pertumbuhan berdasarkan Standar
Pertumbuhan Anak WHO 2006. Namun mengalami perubahan pada garis kurva
pertumbuhan untuk menentukan risiko gizi lebih dan gizi kurang sebagai upaya dalam
rangka deteksi dini gizi lebih dan obesitas serta deteksi dini stunting. Terdapat garis kurva
berwarna oranye sebagai garis rujukan untuk menentukan risiko berat badan lebih dan
garis berwarna merah sebagai garis rujukan untuk menentukan risiko gizi kurang.
Berdasarkan Peraturan Menteri Kesehatan Nomor 2 Tahun 2020 terdapat penyesuaian
istilah status gizi balita dibawah garis -2SD, diantaranya indikator berat badan menurut

17
 umur diklasifikasikan menjadi berat badan kurang atau sangat kurang, indikator berat
badan menurut panjang/tinggi badan diklasifikasikan menjadi gizi kurang dan gizi buruk.
Penyesuaian yang dilakukan dalam KMS yaitu: a) menghilangkan warna latar hijau dan
kuning pada grafik; b) memindahkan garis warna merah yang semula berada di paling
bawah (-3SD) menjadi berada pada garis kedua dari bawah (-2SD); c) menambahkan garis
warna oranye untuk mendeteksi risiko berat badan lebih; d) rujukan dilakukan bila berat
badan tidak naik (T), di bawah garis merah (BGM) atau di atas garis oranye. Hal tersebut
dilakukan sebagai upaya penting untuk menindaklanjuti dengan segera dan menurunkan
risiko terjadinya masalah gizi lebih lanjut(Direktorat Gizi Masyarakat, 2021).

Gambar 4 Kartu Menuju Sehat Balita Laki-Laki (Kiri) dan Balita Perempuan (Kanan)

2.7.1 Jenis Kelamin

Jenis kelamin adalah pembeda antara laki-laki dan perempuan yang dimana perempuan
dan laki-laki memiliki perbedaan baik secara biologis maupun fisik. Perbedaan biologis
dan fungsi biologis laki-laki dan perempuan tidak dapat dipertukarkan diantara
keduanya, dan fungsinya tetap dengan laki-laki dan perempuan pada segala ras yang ada
di muka bumi. Laki-laki dan perempuan memang terlihat berbeda dan memiliki organ
yang berbeda. Oleh karena itu, ada anggapan bahwa laki-laki dan perempuan juga
berbeda dengan cara masing-masing berpikir, bertindak, dan merasakan sesuatu
(Fatmawati, 2017).

18
 2.7.2 Berat Badan
Berat badan menggambarkan jumlah protein, lemak, air, dan mineral yang terdapat di
dalam tubuh. Berat badan merupakan komposit pengukuran ukuran total tubuh.
Beberapa alasan mengapa berat badan digunakan sebagai parameter antropometri.
Alasan tersebut di antaranya adalah perubahan berat badan mudah terlihat
dalam waktu singkat dan menggambarkan status gizi saat ini. Pengukuran berat badan
mudah dilakukan dan alat ukur untuk menimbang berat badan mudah diperoleh.
Pengukuran berat badan memerlukan alat yang hasil ukurannya akurat.
Beberapa jenis alat timbang yang biasa digunakan untuk mengukur berat badan adalah
dacin untuk menimbang berat badan balita, timbangan detecto, bathroom scale
(timbangan kamar mandi), timbangan injak digital, dan timbangan berat badan lainnya
(Par’i et al., 2017).
2.7.3 Tinggi Badan
Tinggi badan atau panjang badan menggambarkan ukuran pertumbuhan massa tulang
yang terjadi akibat dari asupan gizi. Oleh karena itu tinggi badan digunakan sebagai
parameter antropometri untuk menggambarkan pertumbuhan linier. Pertambahan
tinggi badan atau panjang terjadi dalam waktu yang lama sehingga sering disebut
akibat masalah gizi kronis. Istilah tinggi badan digunakan untuk anak yang diukur
dengan cara berdiri, sedangkan panjang badan jika anak diukur dengan berbaring
(belum bisa berdiri). Tinggi badan dapat diukur dengan menggunakan microtoise.
Kelebihan alat ukur ini adalah memiliki ketelitian 0,1 cm, mudah digunakan,
tidak memerlukan tempat yang khusus, dan memiliki harga yang relatif terjangkau.
Sedangkan panjang badan diukur dengan infantometer (alat ukur Panjang badan) (Par’i
et al., 2017)

2.7.4 Usia
Umur atau usia adalah satuan waktu yang mengukur waktu keberadaan suatu benda
atau mahkluk, baik yang hidup maupun yang mati. Semisal, usia manusia dikatakan 15
tahun diukur sejak dia lahir hingga waktu usia itu dihitung. Usia dapat dibedakan
menjadi usia secara kronologis, usia mental, dan usia biologis. Usia kronologis adalah
perhitungan usia yang dimulai dari saat kelahiran seseorang sampai dengan waktu
penghitungan usia. Usia mental adalah perhitunganusia yang didapatkan dari taraf
kemampuan mental seseorang. Misalkan seorang anak secara kronologis berusia empat
tahun akan tetapi masih merangkak dan belum dapatberbicara dengan kalimat lengkap
dan menunjukkan kemampuan yang setara dengan anak berusia satu tahun, maka
dinyatakan bahwa usia mental anak tersebut adalah satu tahun. Usia biologis adalah
perhitungan usia berdasarkan kematangan biologis yang dimiliki oleh seseorang
(Fitriana, 2015).

G. Metode Penelitian
1. Sumber Data
Data yang akan digunakan dalam penelitian adalah data sekunder yang diperoleh dari
pencatatan hasil pengukuran pertumbuhan serta gizi balita oleh Puskesmas Sungai Ulin

19
 Banjarbaru . Dalam penelitian ini akan dipakai data jenis kelamin, usia, berat badan, dan
tinggi badan balita yang tercatat pada bulan Maret hingga Desember 2020.

2. Variabel Penelitian
Variabel yang digunakan dalam tugas akhir ini beserta definisi operasionalnya disajikan pada
Tabel 2.

Tabel 2 Variabel Penelitian

Variabel Keterangan Skala Satuan Defisini Operasional

𝑋1 Jenis Nominal - Jenis kelamin balita adalah

Kelamin perbedaan biologis dan fisik
(1 = Laki-laki
Balita antara balita laki-laki dan
2= Perempuan) perempuan.

𝑋2 Usia Balita Rasio Bulan Satuan waktu yang mengukur

lama masa hidup balita dari
sejak dilahirkan hingga waktu
perhitungan usia.

𝑋3 Berat Badan Rasio Kilogram Hasil pengukuran pertumbuhan

Balita (Kg) yang menggambarkan jumlah
protein, lemak, air, dan mineral
dalam tubuh sebagai akibat dari
asupan gizi yang dikonsumsi
balita

𝑋4 Panjang / Rasio Sentimeter Hasil pengukuran pertumbuhan

Tinggi Badan (Cm) yang menggambarkan
Balita peningkatan massa tulang yang
terjadi akibat dari asupan gizi
yang dikonsumsi balita pada
saat pengukuran pertumbuhan
dilakukan.

Variabel-variabel yang disajikan pada Tabel 2 akan digunakan sebagai tolak ukur dalam
pengelompokan gizi balita yang tercatat dari hasil pengukuran pertumbuhan dan gizi balita
Puskesmas Sungai Ulin Banjarbaru. Struktur data yang dipergunakan dalam penelitian tugas
akhir ini adalah sebagai berikut.

Tabel 3 Struktur Penyajian Data Penelitian

Bulan Tahun
Balita Ke
𝑋1 𝑋2 𝑋3 𝑋4

20
 1 𝑥11 𝑥12 𝑥13 𝑥14
2 𝑥21 𝑥22 𝑥23 𝑥24
3 𝑥31 𝑥32 𝑥33 𝑥34
⋮ ⋮ ⋮ ⋮ ⋮
n 𝑥𝑛;1 𝑥𝑛;2 𝑥𝑛;3 𝑥𝑛;3

3. Prosedur Penelitian
Alur jalannya perhitungan data balita menggunakan metode K-Medoids clustering untuk
penentuan status gizi balita dalam penelitian ini adalah sebagai berikut :
1. Melakukan penginputan data penelitian.
2. Melakukan pembersihan data atau data cleaning.
3. Melakukan analisis deskriptif untuk setiap variabel penelitian.
4. Jika diperlukan akan dilakukan normalisasi data balita menggunakan persamaan (2.3).
Namun dalam penelitian ini, normalisasi dapat tidak dilakukan jika akan menguji
efektivitas metode K-Medoids Clustering yang tidak sensitif terhadap outlier dan noise.
5. Melakukan uji asumsi, yaitu uji asumsi keterwakilan sampel dan asumsi multikolinearitas.
Untuk menguji asumsi keterwakilan sampel akan digunakan metode Kaiser Meyer Olkin
(KMO) melalui persamaan (2.4). Sedangkan, untuk uji asumsi multikolinearitas akan
menggunakan nilai VIF yang diketahui dengan menghitung persamaan (2.7).
6. Penentuan jumlah k klaster dengan menggunakan metode siku (Elbow Method) dengan
melihat jumlah kesalahan kuadrat (Sum Squared of Error) dari masing-masing nilai
klaster. Nilai jumlah kesalahan kuadrat (SSE) dihitung menggunakan persamaan (2.8).
7. Data balita yang telah diinputkan dan melalui uji asumsi serta penentuan klaster
optimumnya akan diproses menggunakan algoritma K-Medoids clustering. Dalam
penentuan klaster akan dilakukan berbagai kemungkinan dengan menggunakan data
berupa dengan kemungkinan menggunakan data dengan jenis kelamin yang dipisah
antara balita laki-laki dan balita perempuan, maupun secara umum dengan menggunakan
data campuran antara jenis kelamin balita.
8. Pada penelitian ini klasterisasi akan dilakukan menjadi tiga kelompok bagian yaitu :
a. Clustering 1 untuk indeks berat badan menurut usia (BB/U) dengan inputan data
usia (U) dan berat badan (BB);
b. Clustering 2 untuk indeks tinggi badan menurut usia (TB/U) dengan inputan data
usia (U) dan tinggi badan (TB);
c. Clustering 3 untuk indeks berat badan menurut tinggi badan (BB/TB) dengan
inputan data berat badan (BB), dan tinggi badan (TB).
9. Penelitian ini menggunakan euclidean distance (persamaan (2.9)) untuk menghitung
jarak antar klaster. Penggunakan medoids sebagai pusat klaster dengan menggunakan
euclidean distance dapat digunakan sebagai acuan menghitung jarak antar data serta
menentukan pengelompokkan data yang baru ditambahkan.

21
 10. Selanjutkan dilakukan uji validasi hasil klasterisasi dari metode K-Medoids clustering
menggunakan Koefisien Silhoutte (SC). Nilai SC dihitung menggunakan persamaan (2.12)
dengan hasil perhitungan nilai SC bervariasi dengan rentang -1 sampai 1.
11. Dari hasil klasterisasi dan validasi, kemudian akan dilakukan identifikasi karakteristik
setiap klaster dari pengelompokkan status gizi tersebut untuk selanjutnya dilakukan
penarikan kesimpulan.

4. Alur Penelitian

Gambar 5 Flowchart Alur Penelitian

H. Jadwal Penelitian
Agar penelitian tugas akhir dapat selesai, maka rancangan jadwal penelitian adalah sebagai
berikut.

Tabel 4 Rancangan Jadwal Penelitian

N Bulan ke-1 Bulan ke-2 Bulan ke-3 Bulan ke-4 Bulan ke-5 Bulan ke-6
Kegiatan
O 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

22
 Studi
1 Literatur
Penyusuna
n dan
2
Pengajuan
Judul
Penulisan
3
proposal
Seminar
4
proposal
Revisi
5
proposal
Pembersih
6
an data
Analisis
7
data
Melakukan
interpretas
8 i hasil dan
penarikan
kesimpulan
Penyusuna
9 n laporan
tugas akhir
Seminar
10 hasil dan
sidang
Revisi
11 laporan
tugas akhir

Keterangan:

= Sudah Terlaksana

= Belum Terlaksana

23
 Daftar Pustaka
Alpiana, I., & Anifah, L. (2019). Penerapan Metode KnA (Kombinasi K-Means dan Agglomerative
Hierarchical Clustering) dengan Pendekatan Single Linkage untuk Menentukan Status Gizi
pada Balita. In Indonesian Journal of Engineering and Technology (INAJET) (Vol. 1, Issue 2).
https://journal.unesa.ac.id/index.php/inajet
Arora, P., Deepali, & Varshney, S. (2016). Analysis of K-Means and K-Medoids Algorithm for Big
Data. Physics Procedia, 78, 507–512. https://doi.org/10.1016/j.procs.2016.02.095
Bahri, S. (2019). Optimasi Cluster K-Means Dengan Modifikasi Metode Elbow Untuk Menganalisis
Disrupsi Pendidikan Tinggi.
Direktorat Gizi Masyarakat. (2021). Petunjuk Teknis Penggunaan Kartu Menuju Sehat (KMS) Balita.
Fatmawati. (2017). Perbedaan Gaya Belajar Jenis Kelamin Pada Siswa MTs Madani Pao-Pao.
Fitriana, B. (2015). Pengaruh Usia, Pendidikan, Pendapatan, Faktor Sosial, Budaya, Pribadi, dan
Motivasi Terhadap Persepsi Konsumsi Pangan Pokok Non Beras Di Wilayah Jakarta Barat.
Fitrianingsih. (2021). Optimasi K-Means Clustering Menggunakan Metode Elbow Untuk
Pengelompokan Rumah Tangga Miskin Di Surabaya. Universitas Islam Negeri Sunan Ampel.
Hair, J. F., Black Barry J Babin, W. C., & Anderson, R. E. (2010). Overview of Multivariate Methods
(Seventh Edition). Pearson Prentice Hall.
Han, J., Kamber, M., & Pei, J. (2011). Data Mining. Concepts and Techniques, 3rd Edition (The Morgan
Kaufmann Series in Data Management Systems) (Morgan Kaufmann, Ed.; Third).
https://doi.org/https://doi.org/10.1016/C2009-0-61819-5
Haryono, C. A. (2016). Penerapan Metode C-Means dan Fuzzy C-Means pada Pengelompokkan
Kabupaten / Kota di Provinsi Jawa Timur Berdasarkan Indikator Pembangunan Ekonomi.
Institut Teknologi Sepuluh Nopember.
Marlina, D., Fauzer Putri, N., Fernando, A., & Ramadhan, A. (2018). Implementasi Algoritma K-
Medoids dan K-Means untuk Pengelompokkan Wilayah Sebaran Cacat pada Anak. Jurnal
CoreIT, 4(2).
Mega, W. (2015). Clustering Menggunakan Metode K-Means Untuk Menentukan Status Gizi Balita.
Jurnal Informatika, 15(2).
Peraturan Menteri Kesehatan Republik Indonesia Nomor 2Tahun 2020 Tentang Standar
Antropometri Anak, Pub. L. No. 02 (2020).
http://hukor.kemkes.go.id/uploads/produk_hukum/PMK_No__2_Th_2020_ttg_Standar_Antrop
ometri_Anak.pdf
Nagari, S. S., & Inayati, L. (2020). Implementationof Clustering Usingk-Means Method To Determine
Nutritional Status. Jurnal Biometrika Dan Kependudukan, 9(1), 62.
https://doi.org/10.20473/jbk.v9i1.2020.62-68
Nurissaidah, U., & Rafika, V. (2020). Analisis Cluster dalam Pengelompokan Provinsi di Indonesia
Berdasarkan Variabel Penyakit Menular Menggunakan Metode Complete Linkage, Average
Linkage, dan Ward. Jurnar Nasional Informatika Dan Teknologi Jaringan, 5(1).
https://doi.org/10.30743/infotekjar.v5i1.2464

24
Par’i, H. M., Wiyono, S., & Harjatmo, T. P. (2017). Penilaian Status Gizi (Netty Thamaria, Ed.; 1st ed.).
Kementerian Kesehatan Republik Indonesia, Pusat Pendidikan Sumber Daya Manusia
Kesehatan, Badan Pengembangan dan Pemberdayaan Sumber Daya Manusia Kesehatan.
http://hukor.kemkes.go.id/uploads/produk_hukum/PMK_No__2_Th_2020_ttg_Standar_Antrop
ometri_Anak.pdf
Pradana, M. A. (2019). Pemetaan Daerah Kerawanan Kriminalitas Menggunakan K-Means Clustering
Di Wilayah Hukum Polresta Sidoarjo.
Rahayu, A., Fauzie Rahman, M., Lenie Marlinae, M., Husaini, M., Drdr Meitria, Mk. S., Fahrini
Yulidasari, Mk., Dian Rosadi, M., & Nur Laily, M. (2018). Buku Ajar Gizi 1000 Hari Pertama
Kehidupan (Rahmi. Parida, Ed.; 1st ed., Vol. 1). CV Mine.
Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster
analysis. In Journal of Computational and Applied Mathematics (Vol. 20).
Sangga, V. A. (2018). Perbandingan Algoritma K-Means Dan Algoritma K-Medoids Dalam
Pengelompokan Komoditas Peternakan Di Provinsi Jawa Tengah Tahun 2015.
Santoso S. (2015). Menguasai Statistik Multivariat : Konsep Dasar dan Aplikasi dengan SPSS. PT Elex
Media Komputindo.
Sudikno, Irlina Raswanti Irawan, Budi Setyawati, Yunita Diana Sari, Yuana Wiryawan, Dyah Santi
Puspitasari, Yekti Widodo, Feri Ahmadi, Rika Rachmawati, Nurillah Amaliah, Prisca Petty
Arfines, Bunga Christitha Rosha, Joko Pambudi, Aditianti, Elisa Diana Julianti, & Amalia Safitri.
(2019). Laporan Akhir Penelitian Studi Status Gizi Balita Di Indonesia Tahun 2019.
https://cegahstunting.id/
Sundari, S., Damanik, I. S., Windarto, A. P., Tambunan, H. S., Jalaluddin, J., & Wanto, A. (2019).
Analisis K-Medoids Clustering Dalam Pengelompokkan Data Imunisasi Campak Balita di
Indonesia. Prosiding Seminar Nasional Riset Information Science (SENARIS), 1, 687.
https://doi.org/10.30645/senaris.v1i0.75
Thamrin, N., & Wijayanto, A. W. (2021). Comparison of Soft and Hard Clustering: A Case Study on
Welfare Level in Cities on Java Island. Indonesian Journal of Statistics and Its Applications, 5(1),
141–160. https://doi.org/10.29244/ijsa.v5i1p141-160
Tri, A., Dani, R., Wahyuningsih, S., Nanda, D., & Rizki, A. (2020). Pengelompokkan Data Runtun
Waktu menggunakan Analisis Cluster (Studi Kasus: Nilai Ekspor Komoditi Migas dan
Nonmigas Provinsi Kalimantan Timur Periode Januari 2000-Desember 2016) Grouping of
Time Series Data using Cluster Analysis (Case Study: Export Value of Oil and Non-
oilCommodities in East Kalimantan Provinces Period. Jurnal EKSPONENSIAL, 11(1).
Vercellis, Carlo. (2008). Business Intelligence : Data Mining And Optimization For Decision Making
(1st ed.). John Wiley & Sons Ltd.
Watson. Fiona, Minarto, Sukotjo. Sri, Hyun Rah. Jee, & Maruti. Ardiani Khrisna. (2019).
Pembangunan Gizi Di Indonesia (Ali. Pungkas Bahjuri, Gani. Ascobat, Zainal. Entos, Nurhidayati.
Evi, & Dharmawan. Akim, Eds.; 2019th ed.). Kementerian PPN (Bappenas).

25