TINJAUAN SISTEMATIS PENERAPAN KLASTER K-MEANS DAN METODE ELBOW UNTUK ANALISIS DATA STUNTING

Abstract

Stunting merupakan permasalahan gizi kronis yang berdampak jangka panjang terhadap kualitas sumber daya manusia dan masih menjadi tantangan utama di Indonesia. Seiring meningkatnya ketersediaan data kesehatan berskala besar, pendekatan berbasis machine learning menjadi alternatif potensial dalam analisis stunting. Penelitian ini bertujuan untuk mengkaji secara sistematis penerapan algoritma K-Means dan metode Elbow dalam analisis data stunting. Metode penelitian menggunakan pendekatan Systematic Literature Review (SLR) dengan menelaah artikel ilmiah nasional dan internasional yang diperoleh dari basis data jurnal bereputasi melalui tahapan identifikasi, seleksi, dan sintesis berdasarkan kriteria inklusi dan eksklusi. Hasil kajian terhadap 15 artikel terpilih menunjukkan bahwa algoritma K-Means merupakan metode klasterisasi yang paling dominan digunakan pada berbagai skala wilayah, mulai dari desa hingga provinsi. Metode Elbow dan silhouette score banyak dimanfaatkan dan umumnya dikombinasikan dengan teknik validasi internal lain seperti Silhouette Coefficient dan Davies-Bouldin Index, dengan jumlah klaster optimal. Meskipun demikian, masih ditemukan variasi metodologis, keterbatasan validasi klaster, sempitnya cakupan variabel, serta minimnya integrasi analisis spasial. Studi ini menegaskan perlunya pengembangan metodologi analisis stunting berbasis machine learning yang lebih terintegrasi dan relevan untuk mendukung perumusan kebijakan penanggulangan stunting yang berbasis bukti.