Muhammad Fatur Rahman NIM. 1615015191 Program Studi Informatika Dosen Pembimbing I. Ummul Hairah, S.Pd, MT. II. Rosmari, S.Kom, MT. PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK MENGELOMPOKKAN DATA GIZI BALITA DI DESA MARGAHAYU KABUPATEN KUTAI KARTANEGARA ABSTRAK Masa balita biasa sering dikatakan sebagai masa golden age atau masa keemasan karena masa pertumbuhan atau perkembangan seseorang di masa selanjutnya ditentukan pada saat balita. Pertumbuhan pada balita tidak hanya digunakan sebagai gambaran dalam bertambahnya ukuran anggota tubuh, tetapi juga digunakan sebagai gambaran mengenai kesinambungan antara asupan dan kebutuhan gizi. Gizi merupakan salah satu asupan
yang sangat penting bagi pertumbuhan balita karena gizi yang baik membuat balita tumbuh normal dan jika gizi yang diperoleh balita tersebut buruk maka pertumbuhan
balita dapat terhambat. Menurut data Badan Pusat Statistik (BPS) Indonesia tahun 2016 menunjukan bahwa masih ada sekitar 17,83 persen balita kekurangan gizi di indonesia. Prevelensi gangguan kekurangan gizi balita di indonesia sudah terjadi penurunan, dimana pada tahun 2017 dengan 17,80 persen dan pada tahun 2018 dengan 17,70 persen. Untuk presentase kekurangan gizi balita di provinsi kalimantan timur tahun 2018 adalah 14,70 persen. Masalah gizi ini timbul akibat dari beberapa faktor yang secara langsung ataupun faktor tidak langsung. Faktor langsung meliputi makanan tidak seimbang dan infeksi, sedangkan faktor tidak langsung antara lain ketahanan pangan keluarga, pola pengasuhan anak, pelayanan kesehatan anak, serta lingkungan. Untuk itu, dalam rangka mengklasterkan balita agar mengetahui tingkatan gizi pada balita melalui perhitungan komputasi dengan teknik Data Mining sebagai salah satu upaya pencegahan dan
diharapkan dapat membantu pemerintah desa dalam menangani gizi buruk yang dapat menyebabkan stunting pada anak berdasarkan paramater yang telah ditentukan. Penelitian ini menggunakan metode clustering K-Means dengan 3 distance measure yakni Euclidean Distance, Manhattan Distance, dan Camberra Distance. Untuk melihat tingkat errorr yang dihasilkan dari suatu cluster, digunakan teknik Sum Squared Errorr. Dari ketiga distance measure yang digunakan, didapatkan hasil terbaik dengan tingkat errorr terkecil pada distance measure Camberra Distance sebesar 0.503699.