Application of the K-Means Clustering Method to Cluster Stunting Cases Based on Family Economics in Langkat Regency
Notice bibliographique
Résumé
Stunting in children is a serious health issue that has long-term impacts on the quality of human resources in Indonesia. Langkat Regency is one of the regions with a high prevalence of stunting. Family economic factors, such as parents' occupation and housing conditions, are suspected to play a significant role in influencing children's nutritional status. However, there is still a lack of data-based studies that specifically cluster stunting cases based on these factors. To address this need, this study applies the K-Means Clustering method to group stunted children based on three main variables: parents' occupation, housing status, and causes of stunting. This algorithm was chosen for its effectiveness in identifying hidden patterns within medium-sized data. The clustering process involved data transformation, determining the number of clusters, calculating distances using Euclidean Distance, and iterative processing to obtain the optimal centroid. The implementation was carried out using MATLAB R2014b software with stunting data obtained from the PPKB-PPA Office of Langkat Regency for the years 2023–2024. The results of the study yielded three main clusters representing the family's economic condition and its relationship to stunting. The patterns found indicate that children from families with unstable jobs and inadequate housing tend to be more vulnerable to stunting. These findings provide a strong foundation for the formulation of more targeted policies in addressing stunting by local governments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».