Penerapan K-Means Untuk Clustering Kondisi Gizi Balita Pada Posyandu
Candra Adi Rahmat, Hilda Permatasari, Errissya Rasywir*, Yovi Pratama Ilmu Komputer, Teknik Informatika, Universitas Dinamika Bangsa, Jambi, Indonesia
Email: 1candraadi2410@gmail.com, 2hildaintann@gmail.com, 3,*errissya.jurnal@gmail.com, 4yovi.pratama@gmail.com Email Penulis Korespondensi: errissya.jurnal@gmail.com
Abstrak−Kurang gizi pada anak merupakan masalah kesehatan masyarakat utama di negara berkembang termasuk Indonesia.
Data nasional memperlihatkan adanya 36,8% anak usia bawah lima tahun (balita) yang mengalami stunting (pendek dan sangat pendek, diukur dengan tinggi badan menurut umur). Untuk dapat mengetahui kondisi gizi balita tersebut, dapat memanfaatkan analisis dan suatu metode perhitungan. Didalam penelitian ini penulis memanfaatkan suatu analisis dan perhitungan data yaitu data mining. Salah satu teknik yang ada didalam data mining adalah clustering. K-Means Clustering merupakan salah satu algoritma didalam teknik Clustering pada data mining. Dalam penelitian ini penulis menggunakan sebanyak 20 data balita.
Dari 20 data balita penulis menentukan pusat cluster secara acak sebanyak 3 data dan menghasilkan yaitu, 4 balita gizi buruk, 7 balita gizi baik, dan 9 balita mengalami obesitas.
Kata Kunci: Implementasi; K-Means; Clustering; Gizi Balita; WEKA; Posyandu
Abstract−Malnutrition in children is a major public health problem in developing countries, including Indonesia. National data show that 36.8% of children under five years of age (toddlers) are stunted (short and very short, measured by height for age).
To be able to know the nutritional condition of the toddler, can use analysis and a calculation method. In this study, the authors utilize an analysis and calculation of data, namely data mining. One of the techniques in data mining is clustering. K-Means Clustering is one of the algorithms in the Clustering technique in data mining. In this study the authors used as many as 20 data on toddlers. From the 20 data on toddlers, the authors determined the cluster center randomly as much as 3 data and resulted that, 4 toddlers were malnourished, 7 toddlers were well nourished, and 9 toddlers were obese.
Keywords: Implementation; K-Means; Clustering; Toddler Nutrition; WEKA; Posyandu
1. PENDAHULUAN
Kurang gizi pada anak merupakan masalah kesehatan masyarakat utama di negara berkembang termasuk Indonesia.Walaupun dalam beberapa dekade ini Indonesia mengalami penurunan masalah kekurangan gizi, namun kekurangan gizi akut dan kronis masih cukup tinggi. Data nasional memperlihatkan adanya 36,8% anak usia bawah lima tahun (balita) yang mengalami stunting (pendek dan sangat pendek, diukur dengan tinggi badan menurut umur). Indikator ini menunjukkan terjadinya kekurangan gizi dalam jangka waktu yang panjang atau kronis yang dikarenakan tingginya angka kesakitan atau rendahnya asupan makanan[1].
Menurut Riset Kesehatan Dasar (Rikesdas) pada tahun 2013, berdasarkan indeks BB/TB terjadi penurunan 0,9 persen prevalensi sangat kurus, 0,6 persen prevalensi kurus dan 0,3 persen prevalensi gemuk dari tahun 2007 ke 2013[2]. Faktor langsung penyebab gizi kurang adalah asupan gizi yang rendah dan penyakit infeksi, sedangkan faktor tidak langsung adalah persediaan pangan, pola asuh, sanitasi, sumber air bersih dan pelayanan kesehatan[3].
Untuk dapat mengetahui kondisi gizi balita tersebut, dapat memanfaatkan analisis dan suatu metode perhitungan. Didalam penelitian ini penulis memanfaatkan suatu analisis dan perhitungan data yaitu data mining.
Data mining merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas data dengan cara membedakan data sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data (Larose 2005)[4]. Data mining adalah analisis otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasana tidak disadarai keberadaannya [5].
Salah satu teknik yang ada didalam data mining adalah clustering [6]–[8] .
Clustering digunakan untuk menganalisis pengelompokkan berbeda terhadap data, mirip dengan klasifikasi [9]–[11], namun pengelompokkan belum didefinisikan sebelum dijalankannya tool data mining[5]. Clustering mengklasifikasikan data, yang tidak diketahui label kelasnya, ke dalam sejumlah kelompok tertentu sesuai dengan ukuran kemiripannya[4]. Clustering merupakan suatu proses pengelompokkan record, observasi, atau mengelompokkan kelas yang memiliki kesamaan objek [Larose, 2015][12].
K-Means Clustering merupakan salah satu algoritma didalam teknik Clustering pada data mining. K dimaksudkan sebagai konstanta jumlah cluster yang diinginkan, Means dalam hal ini berarti nilai suatu rata-rata dari suatu grup data yang dalam hal ini didefinisikan sebagai cluster, sehingga K-Means Clustering adalah suatu metode penganalisaan data atau metode data mining yang melakukan proses pemodelan tanpa supervisi (unsupervised) dan merupakan salah satu metode yang melakukan pengelompokan data dengan sistem partisi[13].
K-Means Clustering merupakan salah satu metode non-hirarki yang mengelompokkan data dalam bentuk satu atau lebih cluster/kelompok[14]. Metode ini sering dipakai untuk menyelesaikan masalah secara studi kasus dengan membandingkan nilai kemiripan pada kasus lama yang sudah terselesaikan dengan kasus baru yang belum terselesaikan untuk mencari solusi[15].
Berdasarkan uraian diatas, penulis melakukan penelitian dengan judul “Implementasi K-Means Clustering Untuk Menentukan Kondisi Gizi Balita Pada Posyandu Desa Telang”. Implementasi metode clustering dengan
metoe K-Means tersebut diharapkan dapat membantu petugas Posyandu dalam menentukan kondisi gizi balita lebih tepat dan akurat. Adapun penelitian sejenis yang digunakan sebagai acuan oleh penulis agar didalam penelitian ini lebih baik adalah sebagai berikut: Penelitian “Implementasi Algoritma K- Means Clustering untuk Mengelompokkan Data Gizi Balita pada Kecamatan Garoga Tapanuli Utara”[5], penelitian “Penerapan Algoritma K-Means Untuk Menentukan Status Gizi Balita (Studi Kasus: Puskesmas Kecamatan Jawa Maraja Bah Jambi)”[14], penelitian “Penerapan Metode K-Means Clustering Pada Sistem Pendukung Keputusan Penentuan Status Gizi Batita”[15], penelitian “Implementasi Data Mining Untuk Menentukan Persediaan Stok Obat Di Apotek K-24 Menggunakan Metode K-Means Clustering”[16].
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Dalam penelitian ini, penulis membuat langkah-langkah yang akan dilaksanakan didalam penelitian ini agar dapat menghasilkan suatu informasi yang diinginkan oleh penulis. Langkah yang diambil oleh penulis adalah sebagai berikut:
Gambar 1.Tahapan Penelitian
Gambar 1 di atas merupakan tahapan penelitian Penerapan K-Means Untuk Clustering Kondisi Gizi Balita Pada Posyandu Desa Telang. Penjelasan dari tahapan-tahapan tersebut dijelaskan pada bagian berikut ini:
1. Identifikasi Masalah
Dalam tahap ini penulis melakukan identifikasi permasalahn dalam mengelompokan dan menetukan kondisi gizi balita yang terdapat di Posyandu Desa Telang. Sehingga penulis dapat memrencanakan rencana kerja, manganalisis, dan mengelompokan, status kondisi gizi balita dengan metode K-Mean Clustering.
2. Studi Literatur
Pada tahap ini penulis melakukan pencarian landasan teori yang didapat dari berbagai sumber, seperti buku, jurnal, artikel dan internet untuk memudahkan dalam penelitian ini berdasarkan teori K-Means baik itu data mining, clustering, statistik, posyandu, gizi balita dan penelitian terkait.
3. Pengumpulan Data
Dalam pengumpulan data, penulis menggunakan beberapa metode pengumpulan data untuk dapat mengelompokan status kondisi gizi balita menggunakan metode K-Means Clustering. Metode pengumpulan data yang digunakan oleh penulis adalah sebagai berikut :
a. Metode Wawancara
Dalam metode ini penulis melakukan wawancara dan tanya jawab secara langsung oleh kepala dan staf/pegawai yang ada di Posyandu Desa Telang dan pihak-pihak terkait lainnya.
b. Metode Studi Pustaka
Dalam metode ini penulis melakukan pencarian referensi di berbagai studi pustaka, mempelajarai, memahami, serta mengumpulkan berbagai data referensi yang berhubungan dengan data yang akan dilakukan penelitian seperti jurnal, skripsi, thesis, buku, disertasi, dan berbagai referensi lainnya yang berkaitan dengan penelitian yang dilakukan oleh penulis.
4. Analisis Data
Dalam tahap ini penulis melakukan analisa dan mengidentifikasi data yang telah dikumpulkan oleh penulis agar dapat lebih mudah untuk diproses sesuai dengan metode K-Means Clustering sehingga data tersebut dapat digunakan untuk hasil perhitungan yang labih baik.
5. Hasil Dan Evaluasi
Pada tahap ini penulis menganalisis dan mengevaluasi hasil dari perhitungan clustering kondisi gizi balita pada Posyandu Desa Telang. Terdapat 2 jenis perhitungan data yang akan penulis lakukan, yaitu dengan perhitungan
secara manual menggunakan metode K-Means Clustering dan dengan menggunakan tools WEKA. Diharapkan hasil yang didapat digunakan untuk mengelompokan kondisi gizi balita pada Posyandu Desa Telang dengan lebih baik lagi.
2.2 Metode K-Means Clustering
K-Means ialah algoritma yang digunakan kedalam suatu pengelompokkan secara membagi yang memisahkan data ke dalam kelompok yang berbeda – beda. Dalam penggunaan algoritma K-Means memiliki beberapa aturan sebagai berikut: [17]
a. Berapa banyak jumlah cluster yang perlukan b. Hanya mempunyai atribut bertipe numeric.
Gambar 2. Flowchart Algoritma K-Means Clustering
Pada gambar 2 di atas di tampilkan alur algoritma K-means Clustering yang digunakan untuk mengklasterisasi kondisi gisi balita. Proses suatu algoritma K-Means dapat dilihat sebagi berikut:
a. Tentukan berapa jumlah cluster yang ingin ditetapkan pusat cluster k.
b. Menggunakan jarak euclidean dan kemudian menghitung setiap data ke pusat cluster. Berikut rumus euclidean:
D(p, c)n= √∑ni=0(pi− ci)2 (1)
c. Kategorikan data ke dalam cluster dengan jarak yang terpendek dengan menggunakan persamaan
Min ∑ = dkk ik√∑ (Cmj ij− Cik) (2)
d. Menghitung pusat cluster dengan menggunakan persamaan Ckj∑ Xij
p i=1
p (3)
Dengan: xij € Kluster ke – k p = banyak member kluster ke – k
e. Silahkan ulangi langkah dua sampai empat sehingga sudah tidak ada lagi data yang berpindah ke kluster yang lain
3. HASIL DAN PEMBAHASAN
Terdapat dua jenis perhitungan yang akan dilakukan oleh penulis untuk mengklasifikasi kondisi gizi balita pada Posyandu Desa Telang yaitu sebagai berikut:
3.1 Perhitungan Manual Metode K-Means Clustering Kondisi Gizi Balita Posyandu Desa Telang a. Menentukan data yang akan diolah
Berikut ini data balita pada Posyandu Desa Telang yang akan diolah dalam penelitian ini : Tabel.1 Data Balita
No. Nama Berat Bada (Kg) Tinggi Badan (Cm) Lingkar Kepala (Cm)
1 Afika Sari 7,3 67 42
2 Muhammad Rosyid 9,5 72 47
No. Nama Berat Bada (Kg) Tinggi Badan (Cm) Lingkar Kepala (Cm)
3 Gilang Aksadenata 5,6 59 39
4 Devan 15 91,5 50
5 Arta 11,8 90,5 48
6 Vino Anugra 13,2 90,3 49
7 Azaura Adeliya 12,7 91 48
8 Salsa Yovita 8 74,5 44
9 Laviza Adeva A 6,5 67 42
10 Arsyi Agustina 7,2 73,2 44
11 Razan Azril Alfarisi 3,9 54 37
12 Faresta 10,3 83 47
13 Nurman Hidayat 7,8 69 44
14 M Aldo Arifin 12,5 89 50
15 Alesa Zaneta Humaira 5,8 59 40
16 Ralise Quenza Irwandi 5,1 60 39
17 Ralia Rulies 7,8 72 43
18 Piona Kazia Dona 8,9 75 47
19 Pino Adijaya 13,5 97,5 49
20 Faisal Anggara 6,4 64,5 42
Tabel 1 di atas adata data mengenai informasi kondisi balita pada Posyandu Desa Telang. Data ini lah yang akan di klastering menggunakan algoritma K-means. Selanjutnya, dari data-data berikut ini dilakukan tahapan klastering seperti:
b. Menentukan jumlah cluster
Dalam penelitian ini penulis menentukan jumlah cluster sebanyak 3 cluster.
c. Menentukan pusat awal cluster
Pada tahap sebelumnya penulis telah menentukan cluster sebanyak 3 cluster. Penulis memilih data secara acak untuk dijadikan pusat awal cluster, yaitu data ke-3, 11, dan 17. Berikut ini adalah data yang akan dijadikan pusat cluster. Tabel 2 di bawah ini adalah hasil dari pusat awal clusternya.
Tabel 2.Pusat awal cluster
No. Nama Berat Bada (Kg) Tinggi Badan (Cm) Lingkar Kepala (Cm)
3 Gilang Aksadenata 5,6 59 39
11 Razan Azril Alfarisi 3,9 54 37
17 Ralia Rulies 7,8 72 43
d. Menentukan jarak euclidean dan menghitung setiap data ke pusat cluster
Untuk menentukan jarak pusat cluster dengan titik tiap objek menggunakan rumus Euclidean distance diperoleh jarak terdekat yaitu sebagai berikut:
1. Afika Sari C3= √(7,3 − 7,8)2+ (67 − 72)2+ (42 − 43)2= 5,123
2. Muhammad Rosyid C3 = √(9,5 − 7,8)2+ (72 − 72)2+ (47 − 43)2= 4,345 3. Gilang Aksadenata C1= √(5,6 − 5,6)2+ (59 − 59)2+ (39 − 39)2= 0
Dan seterusya sampai pada data ke-20 pada cluster 1. Hal yang sama dilakukan sampai cluster ke-5.
Sehingga didapat jarak terdekat pada setiap cluster. Berikut ini tabel 3 merupakan hasil perhitungan pada iterasi 1.
Tabel 3. Jarak Euclidean Jarak Terpendek
No. Nama Anak C1 C2 C3 Jarak Terpendek
1 Afika Sari 8,711 14,337 5,123 5,123
2 muhammad Rosyid 15,755 21,339 4,346 4,346 3 Gilang Aksadenata 0,000 5,647 13,778 0,000
4 Devan 35,575 41,212 21,934 21,934
5 Arta 33,342 38,931 19,577 19,577
6 Vino Anugra 33,726 39,347 20,001 20,001 7 Azaura Adeliya 33,991 39,591 20,249 20,249 8 Salsa Yovita 16,462 22,047 2,700 2,700 9 Laviza Adeva a 8,591 14,169 5,262 5,262 10 Arsyi Agustina 15,139 20,701 1,673 1,673 11 Razan Azril Alfarisi 5,647 0,000 19,370 0,000
12 Faresta 25,731 31,336 11,969 11,969
13 Nurman Hidayat 11,395 17,006 3,162 3,162
No. Nama Anak C1 C2 C3 Jarak Terpendek 14 M Aldo Arifin 32,690 38,314 18,976 18,976 15 Alesa Zaneta Humaira 1,020 6,133 13,491 1,020 16 Ralise Quenza Irwandi 1,118 6,437 12,934 1,118 17 Ralia Rulies 13,778 19,370 0,000 0,000 18 Piona Kazia Dona 18,190 23,791 5,120 5,120 19 Pino Adijaya 40,554 46,135 26,809 26,809 20 Faisal Anggara 6,316 11,895 7,695 6,316 e. Menentukan cluster dari setiap data
Setelah menentukan jarak pusat cluster, data yang memeliki jarak terdekat dengan centroid akan menjadi anggota pada kelompok. Berikut ini tabel 4 yang merupakan posisi data dengan tiap cluster pada ietrasi ke-1
Tabel 4.Cluster dari setiap data Data C1 C2 C3
1 0 0 1
2 0 0 1
3 1 0 0
4 0 0 1
5 0 0 1
6 0 0 1
7 0 0 1
8 0 0 1
9 0 0 1
10 0 0 1
11 0 1 0
12 0 0 1
13 0 0 1
14 0 0 1
15 1 0 0
16 1 0 0
17 0 0 1
18 0 0 1
19 0 0 1
20 1 0 0
n= 4 1 15
Perhitungan diatas merupakan hasil dari perhitungan iterasi ke-1. Perhitungan pada 20 data balita tersebut dengan menggunakan metode K-Means Clustering mendapatkan hasil perhitungan sampai iterasi ke-5 karena iterasi ke-4 dan ke-5 hasilnya sama. Hasil Perhitungan iterasi ke-5 dari data balita tersebut dapat dilihat pada tabel 5 berikut ini:
Tabel 5. Hasil Iterasi ke-5 Data C1 C2 C3
1 1 0 0
2 1 0 0
3 0 1 0
4 0 0 1
5 0 0 1
6 0 0 1
7 0 0 1
8 1 0 0
9 1 0 0
10 1 0 0
11 0 1 0
12 0 0 1
13 1 0 0
14 0 0 1
15 0 1 0
16 0 1 0
17 1 0 0
18 1 0 0
Data C1 C2 C3
19 0 0 1
20 1 0 0
n= 9 4 7
Tabel 5 adalah hasil Iterasi ke-5 pada perhitungan yang dilakukan. Dari 20 data balita penulis menentukan pusat cluster secara acak sebanyak 3 data dan menghasilkan yaitu, 4 balita gizi buruk, 7 balita gizi baik, dan 9 balita mengalami obesitas.
3.2 Implementasian K-Means Clustering WEKA Tools
Gambar 3.Hasil perhitungan WEKA Tools
Berdasarkan pada gambar 3 dapat dilihat hasil cluster dan presentasinya adalah sebesar 7 (35%), 9 (45%), 4 (20%).
Gambar 4. Diagram Hasil perhitungan gizi balita menggunakan metode K-Means Clustering
Pada gambar 4 mengenai Diagram Hasil perhitungan gizi balita menggunakan metode K-Means Clustering diperoleh hasil bahwa algoritma K-Means Clustering untuk mengelompokan kondisi gizi balita pada posyandu desa telang memiliki hasil yang sama dengan perhitungan dengan menggunakan tools WEKA. Dari 20 data balita
Gizi Buruk Gizi Baik
Obesitas 0
1 2 3 4 5 6 7 8 9
Gizi Buruk Gizi Baik Obesitas
penulis menentukan pusat cluster secara acak sebanyak 3 data dan menghasilkan yaitu, 4 balita gizi buruk, 7 balita gizi baik, dan 9 balita mengalami obesitas.
4. KESIMPULAN
Berdasarkan pembahasan pada penilitian tentang Implementasi K-Means Clustering Untuk Menentukan Kondisi Gizi Balita Pada Posyandu Desa Telang. Penulis menyimpulkan perhitungan manual algoritma K-Means Clustering untuk mengelompokan kondisi gizi balita pada posyandu desa telang memiliki hasil yang sama dengan perhitungan dengan menggunakan tools WEKA. Dari 20 data balita penulis menentukan pusat cluster secara acak sebanyak 3 data dan menghasilkan yaitu, 4 balita gizi buruk, 7 balita gizi baik, dan 9 balita mengalami obesitas.
REFERENCES
[1] D. N. Iswarawanti and S. T. R. C. for C. Nutrition, “Kader Posyandu :,” J. Manaj. Pelayanan Kesehat., vol. 13, no. 04, pp. 169–173, 2010.
[2] L. D. Anggraeni, Y. R. Toby, and S. Rasmada, “Analisis Asupan Zat Gizi Terhadap Status Gizi Balita,” Faletehan Heal.
J., vol. 8, no. 02, pp. 92–101, 2021, doi: 10.33746/fhj.v8i02.191.
[3] R. A. D. Sartika, “Analisis Pemanfaatan Program Pelayanan Kesehatan Status Gizi Balita,” J. Kesehat. Masy. Nas., vol.
5, no. 2, pp. 1–8, 2010.
[4] E. Manurung and P. S. Hasugian, “Data Mining Tingkat Pesanan Inventaris Kantor Menggunakan Algoritma Apriori pada Kepolisian Daerah Sumatera Utara,” J. Inform. Pelita Nusant., vol. 4, no. 2, pp. 8–13, 2019.
[5] D. W. Sitohang and A. Rikki, “Implementasi Algoritma K- Means Clustering untuk Mengelompokkan Data Gizi Balita pada Kecamatan Garoga Tapanuli Utara,” KAKIFIKOM (Kumpulan Artik. Karya Ilm. Fak. Ilmu Komputer), vol. 02, pp. 80–92, 2019, doi: 10.54367/kakifikom.v1i2.642.
[6] H. Hendrawan, A. Haris, E. Rasywir, and Y. Pratama, “Diagnosis Penyakit Tanaman Karet dengan Metode Fuzzy Mamdani,” J. Paradig. UBSI, vol. 22, no. 2, pp. 132–138, 2020.
[7] Hendrawan, A. Haris, E. Rasywir, and Y. Pratama, “Sistem Pakar Diagnosis Penyakit Tanaman Karet dengan Metode Fuzzy Mamdani Berbasis Web,” J. Media Inform. Budidarma, vol. 4, no. 4, pp. 1225–1234, 2020, doi:
10.30865/mib.v4i4.2521.
[8] M. R. Borroek, E. Rasywir, Y. Pratama, Fachruddin, and M. Istoningtyas, “Analysis on Knowledge Layer Application for Knowledge Based System,” in Proceedings of 2018 International Conference on Electrical Engineering and Computer Science, ICECOS 2018, 2019, pp. 177–182, doi: 10.1109/ICECOS.2018.8605262.
[9] Fachruddin, Saparudin, E. Rasywir, and Y. Pratama, “Network and layer experiment using convolutional neural network for content based image retrieval work,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 20, no. 1, pp.
118–128, 2022, doi: 10.12928/TELKOMNIKA.v20i1.19759.
[10] E. Rasywir, R. Sinaga, and Y. Pratama, “Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network ( CNN ),” J. Paradig. UBSI, vol. 22, no. 2, pp. 117–123, 2020.
[11] E. Rasywir, R. Sinaga, and Y. Pratama, “Evaluasi Pembangunan Sistem Pakar Penyakit Tanaman Sawit dengan Metode Deep Neural Network ( DNN ),” vol. 4, pp. 1206–1215, 2020, doi: 10.30865/mib.v4i4.2518.
[12] D. F. Pramesti, Lahan, M. Tanzil Furqon, and C. Dewi, “Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 9, pp. 723–732, 2017, doi:
10.1109/EUMC.2008.4751704.
[13] F. Nasari and S. Darma, “Seminar Nasional Teknologi Informasi dan Multimedia 2015 PENERAPAN K-MEANS CLUSTERING PADA DATA PENERIMAAN MAHASISWA BARU (STUDI KASUS : UNIVERSITAS POTENSI UTAMA),” pp. 6–8, 2015.
[14] V. Syaputri, D. Hartama, F. Anggraini, M. Safii, and R. Dewi, “PENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN STATUS GIZI BALITA ( STUDI KASUS : PUSKESMAS KECAMATAN JAWA MARAJA BAH JAMBI ),” vol. 6, no. 1, pp. 94–102, 2022.
[15] M. Efendi, “Penerapan Metode K-Means Clustering Pada Sistem Pendukung Keputusan Penentuan Status Gizi Batita,”
JATI (Jurnal Mhs. Tek. Inform., vol. 2, no. 2, pp. 184–189, 2018.
[16] J. Informatika et al., “Implementasi Data Mining Untuk Menentukan Persediaan Stok Obat Jurnal Informatika Dan Rekayasa Komputer ( JAKAKOM ),” vol. 1, no. April, pp. 155–160, 2022.
[17] P. Alkhairi and A. P. Windarto, “Penerapan K-Means Cluster pada Daerah Potensi Pertanian Karet Produktif di Sumatera Utara,” Semin. Nas. Teknol. Komput. Sains, pp. 762–767, 2019.
