KLASTERISASI DAERAH PESERTA KB AKTIF DI KABUPATEN ASAHAN MENGGUNAKAN METODE K-MEANS

Fajar Munawar, Aftari Swastika Dyah Utami, Sari Bunga Tiara Manurung

Abstract


Abstract: Active Family Planning (FP) participants are one of the indicators of the success of the FP program. This study aims to cluster the level of activity of active FP participants in Asahan Regency using the K-Means method. The data used is data on active FP participants in Asahan Regency in 2021. The results of the study showed that there are three groups of active FP participants based on their level of activity, namely the group with a low level of activity, the group with a medium level of activity, and the group with a high level of activity. The group with a low level of activity consists of 7 districts, namely B.P Mandoge, Pulau Rakyat, Tanjung Balai, Air Batu, Sei Dadap, Pulo Bandring, and Kisaran Barat. The impact of low active FP participants in a district is an increase in the number of unwanted births, an increase in the number of maternal and child deaths, and an increase in population density. The group with a medium level of activity consists of 15 districts, namely Bandar Pulau, Aek Songsongan, Rahuning, Aek Kuasan, Aek Ledong, S. Kepayang, S. Kepayang Barat, S. Kepayang Timur, Teluk Dalam, Buntu Pane, Tinggi Raja, Setia Janji, Meranti, R. Panca Arga, and Silau Laut. The group with a high level of activity consists of 3 districts, namely Simpang Empat, Air Joman, and Kisaran Timur. The impact of the high number of active FP participants in a district is an increase in maternal and child health, an increase in family economy, and an increase in family welfare. The results of this clustering analysis can be used by the National Population and Family Planning Agency (BKKBN) of Asahan Regency to improve public understanding of the importance of birth control. This can be done through socialization throughout the regency, especially in districts where the results of the analysis show that the number of active FP participants is quite large.


Keywords: Family Planning, K-Means, Cluster

Abstrak: Peserta Keluarga Berencana (KB) aktif merupakan salah satu indikator keberhasilan program KB. Penelitian ini bertujuan untuk melakukan klasterisasi tingkat keaktifan peserta KB aktif di Kabupaten Asahan menggunakan metode K-Means. Data yang digunakan adalah data peserta KB aktif di Kabupaten Asahan tahun 2021. Hasil penelitian menunjukkan bahwa terdapat tiga kelompok peserta KB aktif berdasarkan tingkat keaktifannya, yaitu kelompok dengan tingkat keaktifan rendah, kelompok dengan tingkat keaktifan sedang, dan kelompok dengan tingkat keaktifan tinggi. Kelompok dengan tingkat keaktifan rendah terdiri dari 7 Kecamatan, yaitu B.P Mandoge, Pulau Rakyat, Tanjung Balai, Air Batu, Sei Dadap, Pulo Bandring, dan Kisaran Barat. Dampak dari rendahnya peserta aktif KB di suatu Kecamatan yaitu meningkatnya angka kelahiran tidak diinginkan, meningkatnya angka kematian ibu dan bayi, dan meningkatnya kepadatan penduduk. Kelompok dengan tingkat keaktifan sedang terdiri dari 15 Kecamatan, yaitu Bandar Pulau, Aek Songsongan, Rahuning, Aek Kuasan, Aek Ledong, S. Kepayang, S. Kepayang Barat, S. Kepayang Timur, Teluk Dalam, Buntu Pane, Tinggi Raja, Setia Janji, Meranti, R. Panca Arga, dan Silau Laut. Kelompok dengan tingkat keaktifan tinggi terdiri dari 3 Kecamatan, yaitu Simpang Empat, Air Joman, dan Kisaran Timur. Dampak dari tingginya peserta aktif KB di suatu Kecamatan yaitu meningkatnya kesehatan ibu dan anak, meningkatnya ekonomi keluarga, dan meningkatnya kesejahteraan keluarga. Hasil analisis klasterisasi ini dapat dimanfaatkan oleh Badan Kependudukan dan Keluarga Berencana Nasional (BKKBN) Kabupaten Asahan untuk meningkatkan pemahaman masyarakat tentang pentingnya pengendalian kelahiran. Hal ini dapat dilakukan melalui sosialisasi di seluruh wilayah kabupaten, khususnya di kecamatan-kecamatan yang hasil analisisnya menunjukkan jumlah peserta KB aktif cukup banyak.

Kata kunci: Keluarga Berencana, K-Means, Klaster

 


Full Text:

PDF

References


R. G. B. Sitepu, B. S. Ginting, and Z. Fatmaira, “Clustering Peserta Kb Aktif Di Kota Binjai Menggunakan Metode K-Means (Study Kasus BKKBN Kota Binjai),” J. Sist. Inf. Kaputama, vol. 6, no. 2, pp. 208–220, 2022, doi: 10.59697/jsik.v6i2.170.

Bella Dwi Saputri and Diah Indriani, “Pemetaan Cakupan Pengguna KB Aktif Dan Unmet Need Di Kabupaten Ponorogo Tahun 2021,” J Stat. J. Ilm. Teor. dan Apl. Stat., vol. 15, no. 1, pp. 167–177, 2022, doi: 10.36456/jstat.vol15.no1.a5446.

P. S. Hasugian, “Analisa Dan Implementasi Metode K-Means Clustering Dalam Prediksi Persediaan Alat Kontrasepsi (Studi Kasus : Kabupaten Deliserdang),” Terakreditasi DIKTI STMIK Pelita Nusant. Medan Jln. Iskandar Muda, vol. 1, no. 2, pp. 139–143, 2017.

S. ENDARWATI and E. Sulistyadini, “Hubungan Pengetahuan Dan Sikap Akseptor Kb Aktif Tentang Kontrasepsi Implan Di Desa Doko Kecamatan Ngasem Kabupaten Kediri,” J. Kebidanan, vol. 4, no. 2, pp. 41–49, 2019, doi: 10.35890/jkdh.v4i2.88.

F. Hasyim and M. Muafi, “Implementasi Data Mining Dalam Menentukan Strategi Promosi Program KB Menggunakan Algoritma K-Means Clustering,” COREAI J. Kecerdasan Buatan, Komputasi dan Teknol. Inf., vol. 3, no. 1, pp. 110–119, 2022, doi: 10.33650/coreai.v3i1.4292.

B. Panduan, “Stmik royal,” vol. 3, no. 1, pp. 23–30, 2018.

W. Mega, “Clustering Menggunakan Metode K-Means Untuk Menentukan Status Gizi Balita,” J. Inform., vol. 15, no. 2, pp. 160–174, 2015.

Y. Suhanda, I. Kurniati, and S. Norma, “Penerapan Metode Crisp-DM Dengan Algoritma K-Means Clustering Untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik,” J. Teknol. Inform. dan Komput., vol. 6, no. 2, pp. 12–20, 2020, doi: 10.37012/jtik.v6i2.299.

N. C. Sastya and I. Nugraha, “Penerapan Metode CRISP-DM dalam Menganalisis Data untuk Menentukan Customer Behavior di MeatSolution,” Unistek, vol. 10, no. 2, pp. 103–115, 2023, doi: 10.33592/unistek.v10i2.3079.

H. Asyraf and M. E. Prasetya, “Implementasi Metode CRISP DM dan Algoritma Decision Tree Untuk Strategi Produksi Kerajinan Tangan pada UMKM A,” vol. 8, pp. 94–105, 2024, doi: 10.30865/mib.v8i1.7050.

M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 103–108, 2021, doi: 10.30871/jaic.v5i2.3200.

Y. Afrianto Singgalen, J. Jend Sudirman No, K. Semanggi, K. Setiabudi, K. Jakarta Selatan, and D. Khusus, “Analisis Sentimen dan Sistem Pendukung Keputusan Menginap di Hotel Menggunakan Metode CRISP-DM dan SAW,” J. Inf. Syst. Res., vol. 4, no. 4, pp. 1343–1353, 2023, doi: 10.47065/josh.v4i4.3917.

A. Hidayat, Nurhidayati, and amri muliawan Nur, “Implementasi Algoritma K-Means Untuk Klasterisasi Peserta,” Print. J. Pengemb. Rekayasa Inform. dan Komput., vol. 1, no. 2, pp. 154–166, 2023.

C. P. Siwi and Y. Nurfirdaus, “K-Means Cluster Analysis of Sub-Districts in Sidoarjo Based on Long-Term Contraceptive Method,” J. Biometrika dan Kependud., vol. 9, no. 2, p. 161, 2020, doi: 10.20473/jbk.v9i2.2020.161-170.

E. D. Cahyati, D. Herawatie, and E. Wuryanto, “Implementasi K-Means Clustering Untuk Pemetaan Desa Dan Kelurahan Di Kabupaten Bangkalan Berdasarkan Contraceptive Prevalence Rate Dan Tingkat Pendidikan,” Semin. Nas. Mat. dan Apl., pp. 341–348, 2017.




DOI: https://doi.org/10.33330/j-com.v4i1.3047

Article Metrics

Abstract view : 120 times
PDF - 62 times

Refbacks

  • There are currently no refbacks.


Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.