Clustering Tingkat Risiko Obesitas Menggunakan Algoritma K-Means dengan Optimasi Metode Elbow: Penelitian

Ahmad Dani; Muhammad Khairul Fahri; Harry Dwiki Pramadan; Fadli Anwar Sinaga; Aji Febrian Sani; Muhammad Fauzan; Bambang Irwansyah

doi:10.31004/jerkin.v5i1.7189

Authors

Ahmad Dani Universitas Asahan
Muhammad Khairul Fahri Universitas Asahan
Harry Dwiki Pramadan Universitas Asahan
Fadli Anwar Sinaga Universitas Asahan
Aji Febrian Sani Universitas Asahan
Muhammad Fauzan Universitas Asahan
Bambang Irwansyah Universitas Asahan

DOI:

https://doi.org/10.31004/jerkin.v5i1.7189

Keywords:

Data Mining, Clustering, K-Means, Metode Elbow, Obesitas

Abstract

Obesitas merupakan salah satu permasalahan kesehatan yang terus meningkat dan berpotensi menyebabkan berbagai penyakit kronis. Pengelompokan tingkat risiko obesitas diperlukan untuk membantu mengidentifikasi karakteristik individu berdasarkan kondisi kesehatan dan gaya hidup. Penelitian ini bertujuan menerapkan algoritma K-Means dengan optimasi metode Elbow untuk mengelompokkan data obesitas. Metode Elbow digunakan untuk menentukan jumlah cluster yang optimal sebelum proses clustering dilakukan menggunakan algoritma K-Means. Dataset yang digunakan terdiri dari 200 data dengan atribut tinggi badan, berat badan, indeks massa tubuh (IMT), usia, dan jumlah konsumsi makanan utama per hari (NCP). Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah tiga cluster. Proses clustering menggunakan algoritma K-Means menghasilkan tiga kelompok data, yaitu Cluster 1 sebanyak 137 data (68,50%), Cluster 2 sebanyak 45 data (22,50%), dan Cluster 3 sebanyak 18 data (9,00%). Hasil pengelompokan menunjukkan bahwa algoritma K-Means dengan optimasi metode Elbow mampu mengelompokkan data berdasarkan kemiripan karakteristik sehingga dapat dimanfaatkan sebagai informasi pendukung dalam identifikasi tingkat risiko obesitas dan pengambilan keputusan di bidang kesehatan.

References

Hasby, A., Bangun, B., & Masrizal, M. (2025). Data Mining Dalam Clusterisasi Risiko Tinggi Obesitas Menggunakan Metode K-Means Clustering. Building of Informatics, Technology and Science (BITS), 7(1), 863-872.

Santosa, R. R., Amali, A., Anindia, A., & Hamim. (2024). K-Means clustering approach to obesity risk categorization with RapidMiner. Jurnal SIGMA, 15(1).

Setiawati, E., Fernanda, U. D., Agesti, S., Iqbal, M., & Herjho, M. O. A. (2024). Implementation of K-Means, K-Medoid and DBSCAN algorithms in obesity data clustering. International Journal of Applied Technology and Innovation Science (IJATIS), 1(1), 23–29.

Wijaya, B. (2020). Clustering menggunakan metode K-Means dengan bantuan metode Elbow. Jurnal Komputer dan Informatika, 15(2).

Ashari, I. F., Nugroho, E. D., Baraku, R., Yanda, I. N., & Liwardana, R. (2023). Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index evaluation on K-Means algorithm. Journal of Applied Informatics and Computing, 7(1), 95–103.

World Health Organization. (2024). Obesity and overweight. https://www.who.int/news-room/fact-sheets/detail/obesity-and-overweight