Pemetaan status ekonomi terhadap kejadian Stunting Balita Berbasis Sistem Informasi Geografis

ABSTRAK

Stunting merupakan masalah kesehatan yang memerlukan upaya penanggulangan berkelanjutan dari berbagai pemangku kebijakan di indonesia. Pencegahan stunting merupakan usaha perlindungan diri, keluarga, masyarakat dan bangsa dari bahaya. Dibutuhkan peran pemerintah terutama dinas kesehatan menyelesaikan permasalahan mencari solusi terbaik dalam mengatasi permasalahan stunting. Harapannya penggunaan machine learning dapat membantu pengelompokan wilayah-wilayah dengan prevalensi stunting sangat tinggi, tinggi, sedang dan rendah. Algoritma k-means dan algoritma x-means digunakan dalam mengolah data faktor sosial ekonomi keluarga menjadi beberapa kelompok data. Hasil pengelompokan dievaluasi menggunakan metode davies boudin index (DBI). Menggunakan inisialisasi 3 cluster, pengujian algoritma k-means dengan di dapat nilai DBI sebesar 1,007662808, sedangkan pengujian algoritma x-means menghasilkan DBI sebesar 0,832887428. Didapat kesimpulan dari pengujian strategi kedua eksperimen, algoritma x-means sebagai algoritma dengan hasil evaluasi klaster lebih baik dan lebih tepat dalam penentuan jumlah cluster terbaik. Hasil proses clustering menggunakan x-means, dapat di kombinasikan dan diimplementasikan ke dalam sistem informasi geografis (SIG). Sehingga dapat diterapkan dalam membuat peta persebaran prevalensi stunting balita.

ABSTRACT

Stunting is a health problem that requires sustainable mitigation efforts from various policy stakeholders in Indonesia. Stunting prevention is an effort to protect oneself, family, society and the nation from danger. The role of the government, especially the health service, is needed to solve the problem of finding the best solution to overcome the problem of stunting. It is hoped that the use of machine learning can help classify areas with very high, high, medium and low stunting prevalence. The k-means algorithm and x-means algorithm are used to process family socio-economic factor data into several data groups. The grouping results were evaluated using the Davies Boudin Index (DBI) method. Using 3 cluster initialization, testing the k-means algorithm resulted in a DBI value of 1.007662808, while testing the x-means algorithm produced a DBI of 0.832887428. It was concluded from testing the two experimental strategies that the x-means algorithm was the algorithm with better cluster evaluation results and was more precise in determining the best number of clusters. The results of the clustering process using x-means can be combined and implemented into a geographic information system (GIS). So it can be applied in creating a distribution map of the prevalence of toddler stunting.

مستخلص البحث

القزامة مشكلة صحية تتطلب جهودا مستمرة للتخفيف من حدة تغير المناخ من مختلف صانعي السياسات في إندونيسيا. تعد الوقاية من القزامة جهدا لحماية الذات والأسرة والمجتمع والأمة من الخطر. نحن بالحاجة إلى دور الحكومة، خاصة المكتب الصحي، لإيجاد أفضل حل للتغلب على مشكلة القزامة. الأمل هو أن استخدام التعلم الآلي يمكن أن يساعد في تقسيم المناطق ذات الانتشار المرتفع جدا والمرتفع والمتوسط والمنخفض للقزامة. تستخدم خوارزمية k-means وخوارزمية x-means في معالجة بيانات العوامل الاجتماعية والاقتصادية للأسرة في عدة مجموعات بيانات. تم تقييم نتائج التقسيم باستخدام طريقة مؤشر ديويس بولدين (DBI). باستخدام تهيئة ٣ مجموعات، أدى اختبار خوارزمية k-means بقيمة DBI تبلغ ١.٠٠٧٦٦٢٨٠٨، بينما أسفر اختبار خوارزمية x-mean بقيمة DBI تبلغ ٠.٨٣٢٨٨٧٤٢٨. تم الحصول على الاستنتاج من اختبار استراتيجية التجربتين، خوارزمية x-mean كخوارزمية ذات نتائج تقييم عنقودية أفضل وأكثر دقة في تحديد أفضل عدد من المجموعات. يمكن دمج نتائج عملية التقسيم باستخدام خوارزمية x-mean وتنفيذها في نظم المعلومات الجغرافية (SIG). بحيث يمكن تطبيقه في رسم خريطة انتشار القزامة عند الطفل المتهادي