Analisis Perbandingan Algoritma K-Means, K-Medoids, dan Agglomerative Hierarchical Clustering dalam Pengelompokan Wilayah Berdasarkan Indikator Status Gizi Balita di Sulawesi Selatan

Latar belakang. Permasalahan gizi balita di Provinsi Sulawesi Selatan bersifat multidimensional, ditandai oleh kesenjangan prevalensi antarwilayah yang mencapai 20%, sehingga diperlukan pendekatan analitik yang mampu memetakan wilayah prioritas secara objektif dan presisi. Tujuan. Penelitian ini bertujuan menerapkan dan membandingkan kinerja algoritma K-Means, K-Medoids, dan Agglomerative Hierarchical Clustering dalam mengelompokkan 24 kabupaten/kota di Sulawesi Selatan berdasarkan lima indikator prevalensi status gizi balita dari data SSGI 2024, serta menentukan algoritma yang paling optimal. Metode. Data dinormalisasi menggunakan metode Min-Max sebelum diproses dengan ketiga algoritma. Penentuan jumlah klaster optimal untuk K-Means dan K-Medoids menggunakan Silhouette Score, sedangkan untuk Agglomerative Hierarchical Clustering menggunakan analisis celah dendrogram. Evaluasi kualitas pengelompokan dilakukan menggunakan Silhouette Score, Davies-Bouldin Index, Calinski-Harabasz Index, dan Dunn Index. Hasil. K-Means menghasilkan empat klaster dengan kategori prioritas intervensi sangat tinggi (6 daerah), tinggi (11 daerah), sedang (3 daerah), dan rendah (4 daerah). K-Medoids menghasilkan tiga klaster dengan kategori prioritas tinggi (4 daerah), sedang (14 daerah), dan rendah (6 daerah). Agglomerative Hierarchical Clustering menghasilkan empat klaster dengan kategori prioritas sangat tinggi untuk Kabupaten Jeneponto sebagai klaster tunggal akibat nilai stunting (37%) dan underweight (26,1%) paling ekstrem di provinsi, prioritas tinggi untuk 16 daerah dengan angka wasting tertinggi (8,44%), prioritas sedang untuk 3 daerah dengan pola stunting kronis, dan prioritas rendah untuk 4 daerah dengan indikator gizi terbaik. Kesimpulan. Berdasarkan pengujian multi-metrik, algoritma K-Means (k=4) dan Agglomerative Hierarchical Clustering (k=4) ditetapkan bersama sebagai algoritma paling optimal karena masing-masing unggul pada dua dari empat metrik validitas yang diuji. K-Means unggul pada kerapatan struktur global dengan nilai Silhouette Score = 0,3498 dan Calinski-Harabasz Index = 13,9704, sedangkan Agglomerative Hierarchical Clustering unggul pada ketegasan pemisahan kelompok dengan nilai Davies-Bouldin Index = 0,7655 dan Dunn Index = 0,3423. Integrasi dari kedua algoritma ini menghasilkan rumusan prioritas intervensi kesehatan yang lebih akurat dan menyeluruh berdasarkan data prevalensi gizi balita.