EVALUASI K-MEANS DALAM ANALISIS STUNTING MELALUI INTEGRASI PRINCIPAL COMPONENT ANALYSIS DAN PERBANDINGAN WARD-HIERARCHICAL CLUSTER

Abstract

Stunting masih menjadi masalah serius di Indonesia dengan prevalensi 19,8% pada tahun 2024, disertai dengan masalah ketimpangan antardaerah. Hal ini mendorong pentingnya segmentasi antarwilayah menggunakan metode yang tepat. Penelitian ini berfokus pada evaluasi kinerja algoritma K-Means, yang sebelumnya diragukan efektivitasnya untuk analisis stunting, melalui modifikasi alur analisis. Tujuannya adalah menyajikan segmentasi provinsi, menganalisis performa K-Means yang diintegrasikan dengan Principal Component Analysis (PCA), dan membandingkan konsistensi hasilnya dengan metode Ward-Hierarchical Cluster. Untuk mencapai tujuan tersebut, analisis dilakukan terhadap data sekunder tujuh variabel determinan stunting dari 36 provinsi berdasarkan Survei Status Gizi Nasional Tahun 2024. Tahap awal mencakup standarisasi Z-Score dan uji asumsi PCA yang menunjukkan kelayakan data (KMO = 0,763, Sig. Bartlett = 0,000). Melalui reduksi dimensi, PCA berhasil mengekstraksi dua komponen utama yang merepresentasikan 71,742% total keragaman, memastikan informasi penting terwakili sebelum digunakan sebagai input klasterisasi. Adapun hasil evaluasi menggunakan Cluster Silhouette menunjukkan bahwa klasterisasi tanpa PCA memiliki kualitas rendah (K-Means: 0,258; Ward: 0,312). Integrasi PCA meningkatkan kualitas klaster secara signifikan dengan peningkatan koefisien Cluster Silhouette (PCA-K-Means: 0,420; PCA-Ward: 0,427). Temuan ini menegaskan bahwa integrasi PCA secara efektif meningkatkan performasi hasil klaster sekaligus memberikan pemahaman komprehensif mengenai perbaikan kinerja algoritma klasterisasi berbasis jarak saat multikolinearitas variabel diatasi