Abstract:Abstract: PT. Perkebunan Nusantara IV (Persero) Tinjowan is a state-owned enterprise unit operating in the palm oil plantation industry. In an effort to increase production, the plantation company aims to enhance production…
ion efficiency so that palm oil product prices become more competitive by determining harvest yields. The company's harvest yield estimation still uses a traditional approach based on the average bunch weight (BJR), considering the year of planting and the planting area. However, this technique is less effective and efficient. If the company's estimates are incorrect, it can potentially lead to losses or increased production budgets. The purpose of this research is to obtain a comparison of forecast results for the next month with the best alpha accuracy measure using the Single Exponential Smoothing method. The research method used is based on qualitative and quantitative data from interviews and observations of data from December 2022 to November 2023. The forecasting results with an alpha accuracy value of 0.9 using the Single Exponential Smoothing method show a forecast for December 2023 of 13,835.57844 with a percentage error rate (MAPE) of 9.28%, MAD of 1,021,423.6, and MSE of 174,130,366.
Keywords: forecasting; palm oil; single exponential smoothing
Abstrak: PT. Perkebunan Nusantara IV (Persero) Tinjowan sebagai unit usaha BUMN yang beroperasi di industri perkebunan kelapa sawit. Dalam upaya meningkatkan produksi, perusahaan perkebunan, peningkatan efisiensi produksi agar harga produk sawit lebih kompetitif dengan menentukan hasil panen. Pada perkiraan hasil panen perusahaan masih menerapkan pendekatan tradisional berdasarkan berat janjangan rata-rata (BJR) dengan mempertimbangkan tahun tanam dan luas area tanaman. Namun, tehnik ini kurang efektif dan efisien, Apabila perkiraan yang dibuat perusahaan salah berpotensi menyebabkan kerugian atau peningkatan anggaran produksi. Tujuan dari penelitian ini untuk mendapatkan perbandingan hasil peramalan pada bulan berikutnya dengan ukuran akurasi alpha terbaik menggunakan metode Single Exponential Smoothing. Metode yang digunakan dalam penelitian ini adalah berdasarkan data kualitatif dan kuantitatif dari hasil wawancara dan observasi data bulan desember 2022 - november 2023. Hasil peramalan dari ukuran akurasi nilai alpha 0.9 menggunakan metode Single Exponential Smoothing diperoleh peramalan untuk periode desember 2023 sebesar 13.835578,44 dengan tingkat persentase error MAPE sebesar 9,28%, MAD 1021423.6 dan MSE 174130366.
Kata Kunci: kelapa sawit; peramalan; single exponential smoothing
Abstract:Abstract: Based on the era of globalization people in East Kotawaringin almost all people have used social media, for example, as a personal post some use it to see the promotion of beauty products fashion, and others. The…
he KOTIM community has many who use social media, especially the Young Generation Z who have often used to buy products on social media, for example, Instagram, TikTok, and Facebook. This study will be made using the TOPSIS method for ranking to know which social media is often used by consumers. The researcher also made a questionnaire with Google form that will be tested for the validity or not of the data obtained using SPSS. The object of research is made in East Kotawaringin. The purpose of this study was to determine which social media is often used by the public to purchase decisions in the Kotim Regency. The result of the calculation using the TOPSIS method the social media platform with the highest rating is considered the best choice for decision-making, in this case, TikTok with a rating value of 1. It can be concluded that the social media platform that is widely used by KOTIM residents to make decisions is TikTok.
Keywords: buying decision; social media; TOPSIS
Abstract: Berdasarkan era globalisasi bahwa masyarakat di Kotawaringin Timur hampir seluruh masyarakat telah menggunakan media sosial, contohnya sebagai postingan pribadi ada juga yang menggunakan sebagai melihat promosi produk kecantikan dan fasion dan lainnya. Karena masyarakat KOTIM sudah banyak yang menggunakan media sosial apalagi para anak muda generasi z yang sudah sering menggunakan untuk membeli produk pada media sosial contohnya media sosial instagram, TikTok, dan juga facebook. Pada penelitian ini akan dibuat menggunakan metode TOPSIS untuk perangkingan agar mengetahui media sosial mana yang sering digunakan oleh konsumen. Peneliti juga membuat kuisoner dengan google form yang akan diuji valid atau tidak nya data yang didapat dengan menggunakan SPSS. Objek penelitian yang dibuat berada di Kotawaringin Timur. Tujuan dari penelitian ini adalah untuk mengetahui media sosial mana yang sering digunakan oleh masyarakat terhadap keputusan pemebelian pada wilayah kabupaten KOTIM. Hasil dari perhitungan menggunakan metode TOPSIS platform media sosial dengan peringkat tertinggi dianggap sebagai pilihan terbaik untuk pengambilan keputusan, dalam kasus ini adalah TikTok dengan peringkat nilai 1. Dapat disimpulkan bahwa platform media sosial yang banyak digunakan oleh penduduk KOTIM untuk mengambil keputusan adalah TikTok.
Keywords: keputusan pembelian; media sosial; TOPSIS
Abstract:Abstract: Gross Regional Domestic Product (GRDP) is one of the most important socio-economic indicators. In order to gain a more comprehensive understanding of the current economic situation and regional differences, estimating…
imating GRDP using integration of satellite imagery and official statistics data can provide valuable information. This research estimates the GRDP value in 2022 by using data in 2019 to 2021 related to two aspects, agriculture and non-agriculture. Soil adjusted vegetation index (SAVI), enhanced vegetation index (EVI), and land cover (LC) used as agriculture aspect, while nighttime light (NTL), human settlement index (HSI), land area, and population per regency/city used as non-agriculture aspect. GRDP estimation are produced with machine learning approach using support vector machine (SVM) and random forest (RF) method. Correlation test on each variable shows only land area that does not have a significant correlation with GRDP. RF model then chosen as the best model with RMSE, MSE, MAE, and R2 value of 0.2549; 0.5049; 0.7727; and 0.2543, respectively. The estimated values acquired in several regencies/cities have rather near, some even very close to the official statistics values.
Keywords: GRDP; satellite imagery; machine learning; random forest; support vector machine
Abstrak: Produk Domestik Regional Bruto (PDRB) merupakan salah satu indikator sosio-ekonomi yang penting. Penghitungan nilai PDRB dengan pendekatan yang melibatkan kombinasi data citra satelit dan statistik resmi dapat memberikan informasi serta pemahaman yang lebih komprehensif. Penelitian ini melakukan estimasi nilai PDRB pada tahun 2022 menggunakan data tahun 2019 hingga 2021 dengan melibatkan dua aspek, agrikultur dan non-agrikultur. Data soil adjusted vegetation index (SAVI), enhanced vegetation index (EVI), dan tutupan lahan (land cover/LC) digunakan sebagai aspek agrikultur, sementara data citra cahaya malam (NTL), human settlement indeks (HSI), luas wilayah kabupaten/kota, dan jumlah populasi per kabupaten/kota digunakan sebagai aspek non-agrikultur. Estimasi PDRB dihasilkan dengan menggunakan pendekatan machine learning berupa support vector machine (SVM) dan random forest (RF). Pengecekan korelasi antarvariabel menunjukkan bahwa hanya variabel luas wilayah tidak berpengaruh signifikan terhadap nilai PDRB. Model random forest kemudian dipilih sebagai model terbaik dengan nilai evaluasi RMSE, MSE, MAE, dan berturut-turut sebesar 0.2549, 0.5049, 0.7727, dan 0.2543. Nilai estimasi yang diperoleh di beberapa kabupaten/kota cukup mendekati, bahkan ada yang sangat dekat dengan nilai statistik resmi.
Kata kunci: PDRB; citra satelit; machine learning; random forest; support vector machine
Abstract:Abstract: The habit of smoking is dangerous because of the addictive substances that make cigarettes addictive. Its addictive nature poses a significant risk, affecting personality with stress, depression and nervous disorders.…
orders. Body factors that indicate smoking include blood sugar levels, dental caries, and hemoglobin. To address this, research has been conducted with focused efforts to understand and address the risks associated with smoking and its impact on overall health. This research aims to choose the best method for predicting smokers by using feature selection techniques. The feature selection algorithms uses for that are Analysis of Variance (ANOVA), Recursive Feature Elimination (RFE), and Genetic Algorithm (GA) to select optimal attributes and uses the k-fold cross validation technique as the validation of the Artificial Neural Network algorithm. The data includes various parameters such as age, height, weight, vision, blood pressure, cholesterol, triglycerides, hemoglobin, AST, ALT, GTP, gender, dental caries and tartar. Hearing ability, urine protein content, and tartar were selected. The results showed that using the Analysis of Variance method showed higher accuracy (77.101%) compared to the Genetic Algorithm method (74.64%) and the Recursive Feature Elimination method (76.08%). Selection of relevant attributes increases the predictions and insights of the Artificial Neural Network model about the effects of smoking on health.
Keywords: artificial neural network; analysis of variance; genetic algorithm; recursive feature elimination; smoker prediction
Abstrak: Kebiasaan merokok berbahaya karena adanya zat adiktif yang membuat rokok menjadi ketagihan. Sifatnya yang membuat ketagihan menimbulkan risiko yang signifikan, mempengaruhi kepribadian dengan stres, depresi, dan gangguan saraf. Faktor tubuh yang mengindikasikan kebiasaan merokok antara lain kadar gula darah, karies gigi, dan hemoglobin. Untuk mengatasi hal ini, penelitian telah dilakukan dengan upaya terfokus untuk memahami dan mengatasi risiko yang terkait dengan merokok dan dampaknya terhadap kesehatan secara keseluruhan. Penelitian ini bertujuan untuk memilih metode terbaik dalam memprediksi perokok dengan menggunakan teknik seleksi fitur. Metode seleksi fitur yang digunakan adalah Analysis of Variance (ANOVA), Recursive Feature Elimination (RFE), dan Genetic Algorithm (GA) untuk memilih atribut yang optimal dan menggunakan teknik k-fold cross validation sebagai validasi algoritma Artificial Neural Network. Data tersebut mencakup berbagai parameter seperti umur, tinggi badan, berat badan, penglihatan, tekanan darah, kolesterol, trigliserida, hemoglobin, AST, ALT, GTP, jenis kelamin, karies gigi dan karang gigi. Kemampuan pendengaran, kandungan protein urin, dan karang gigi dipilih. Hasil penelitian menunjukkan bahwa penggunaan metode Analysis of Variance menunjukkan akurasi yang lebih tinggi (77,101%) dibandingkan dengan metode Genetic Algorithm (74,64%) dan metode Recursive Feature Elimination (76,08%). Pemilihan atribut yang relevan meningkatkan prediksi dan wawasan model Jaringan Syaraf Tiruan tentang dampak merokok terhadap kesehatan.
Kata kunci: artificial neural network; analysis of variance; genetic algorithm; prediksi perokok; recursive feature elimination
Abstract:Abstract: The service dramatically affects the number of guests staying at the hotel. Bali is the most visited tourist area by foreign tourists. Therefore, improved service is crucial for determining the rating level of…
a hotel. This research aims to combine two data mining algorithms: clustering and classification. This research is expected to contribute to hospitality in improving the best services for tourists, especially in the City of Bali. Clustering algorithms are used to group the best number of hotels based on the four clusters selected from the k-means clustering algorithm. The classification algorithm using C4.5 determines the factors most dominant in determining the hotel rating level based on the gain ratio. The data used in this study results from observations on the website agoda.com in Bali of 51 data. The results of this study explained that cluster_0 is the highest-rated cluster, with a total number of 19 hotels found in claster_0. Data cluster0 is used for classification analysis using a decision tree, and the most dominant factor is the service factor, with an accuracy of 80%.
Keywords: data mining; kmeans; decision tree; hotel; bali;
Abstrak: Pelayanan sangat mempengaruhi jumlah pengunjung yang menginap dihotel. Bali merupakan daerah wisata paling banyak dikunjungi oleh wisatawan mancanegara. Oleh karena itu, peningkatan pelayanan sangat penting untuk penentuan level rating dari hotel. Tujuan dari penelitian ini untuk menggabungkan dua algoritma data mining yaitu clustering dan klasifikasi. Dengan penelitian ini diharapkan dapat memberikan kontribusi bagi perhotelan dalam meningkatkan pelayanan yang terbaik bagi wisatawan khususnya di Kota Bali. Algoritma Clustering digunakan untuk mengelompokkan dari jumlah hotel yang terbaik berdasarkan empat cluster yang dipilih dari algoritma clustering berupa k-means. Algoritma klasifikasi menggunakan C4.5 digunakan untuk mengetahui faktor apa yang paling dominan dalam menentukan level rating hotel berdasarkan gain ratio. Data yang digunakan dalam penelitian ini hasil observasi di website agoda.com di bali sebanyak 51 data. Hasil dari penelitian ini menjelaskan dataset cluster_0 merupakan cluster rating tertinggi dengan jumlah 19 hotel yang terdapat di cluster_0. Data cluster_0 digunakan untuk analisis klasifikasi menggunakan decesion tree, didapat faktor yang paling dominan adalah faktor layanan dengan nilai akurasi sebesar 80%.
Kata kunci: data mining; kmeans; decision tree; hotel; bali;
Abstract:Abstract: Increasing living standards cause an increase in the need for drinking water. However, current water supply estimates are still not optimal, with water production sometimes being more or less than requirements.…
To estimate the amount of water, an appropriate method is needed. The method used in this research is the back propagation algorithm artificial neural network method. When developing forecasts, past data is necessary to produce accurate results. This research aims to develop a predictive model that can estimate the volume of water that will be used by PDAM Tirtauli in the future. It is hoped that this predictive model can help PDAMs in planning more efficient water supply management and can reduce the potential for water supply shortages in the future. This research uses water distribution data for the 2015-2022 period. Training data starts in 2015-2021, testing data starts in 2016-2022. In this research, results were obtained using the Matlab R2011a application. In this research, the 5 architectures used are architecture 6-53-1, 6-58-1, 6-61-1, 6-81-1, 6-87-1. Based on these five architectures, the best architecture was obtained, namely architecture 6-87-1 with a root mean square error test value of 0.00010031 and an accuracy of 92%. The results achieved in 2023 are the total water volume of PDAM Tirtauli Pematangsiantar of 189,610,426.
Keywords: backpropagation; distribution; PDAM; prediction; water
Abstrak: Meningkatnya taraf hidup menyebabkan meningkatnya kebutuhan akan air minum. Namun, perkiraan pasokan air saat ini masih belum optimal, dengan produksi air kadang-kadang lebih atau kurang dari kebutuhan. Untuk memperkirakan jumlah air diperlukan suatu metode yang sesuai. Metode yang digunakan dalam penelitian ini adalah metode jaringan syaraf tiruan algoritma back propagation. Saat mengembangkan perkiraan, data masa lalu diperlukan untuk menghasilkan hasil yang akurat. Penelitian ini bertujuan untuk mengembangkan model prediktif yang dapat memperkirakan volume air yang akan digunakan oleh PDAM Tirtauli di masa mendatang. Model prediktif ini diharapkan dapat membantu PDAM dalam perencanaan pengelolaan pasokan air yang lebih efisien dan dapat mengurangi potensi kekurangan pasokan air pada masa yang akan datang. Penelitian ini menggunakan data sebaran air periode 2015-2022. Data pelatihan dimulai pada tahun 2015-2021, data pengujian dimulai pada tahun 2016-2022. Pada penelitian ini diperoleh hasil dengan menggunakan aplikasi Matlab R2011a. Pada penelitian ini 5 arsitektur yang digunakan adalah arsitektur 6-53-1, 6-58-1, 6-61-1, 6-81-1, 6-87-1. Berdasarkan kelima arsitektur tersebut diperoleh arsitektur terbaik yaitu arsitektur 6-87-1 dengan nilai uji root mean square error sebesar 0,00010031 dan mendapatkan akurasi sebesar 92%. Hasil yang dicapai pada tahun 2023 adalah total volume air PDAM Tirtauli Pematangsiantar sebesar 189.610.426.
Kata Kunci: air; backpropagation; distribusi; PDAM; prediksi
Abstract:Abstract: Basically, this region experiences growth every year. The negative impact of uncontrolled population growth will cause social inequality and poverty and affect the progress and prosperity of the region. Judging…
from the number of residents registered with the Population and Civil Registration Service, Siantar Martoba District has a fairly high population growth rate, so it is necessary to predict the future population. In making a prediction, a good method is needed to solve a problem. In this research, a backpropagation algorithm was used using five architectures, namely architecture 4-71-1, 4-31-1, 4-16-1, 4-72-1, 4-83-1. From the results of tests carried out using data on the population of Siantar Martoba, the best architecture was obtained, namely architecture 4-31-1 with a mean squared error for training of 0.00009960 and a mean squared error for testing of 0.000099957 and obtained an epoch of 14012 iterations with a time of 01 minutes 40 seconds. It was concluded that this method can predict the population of Siantar Martoba in the future using Matlab R2011a, thus obtaining a population of Siantar Martoba of 36470 people.
Keywords: architecture; backpropagation; pematangsiantar; population; welfare
Abstrak: Pada dasarnya, wilayah ini mengalami pertumbuhan setiap tahunnya. Dampak negatif pertumbuhan penduduk yang tidak terkendali akan menyebabkan kesenjangan sosial dan kemiskinan dan mempengaruhi kemajuan, kesejahteraan daerah tersebut. Dilihat dari jumlah penduduk yang terdaftar pada Dinas Kependudukan dan Pencatatan Sipil Kecamatan siantar martoba mempunyai laju pertumbuhan penduduk yang cukup tinggi, sehingga perlu dilakukan prediksi jumlah penduduk masa depan. Dalam melakukan sebuah prediksi dibutuhkan sebuah metode yang baik dalam menyelesaikan sebuah permasalahan, dalam penelitian ini digunakan algoritma backpropagation dengan menggunakan lima arsitektur yaitu arsitektur 4-71-1, 4-31-1, 4-16-1, 4-72-1, 4-83-1. Dari hasil pengujian yang telah dilakukan dengan menggunakan data jumlah penduduk siantar martoba diperoleh arsitektur terbaik yaitu arsitektur 4-31-1 dengan nilai mean squared error pelatihan 0.00009960 dan mean squared error pengujian 0.000099957 dan memperoleh epoch 14012 iterations dengan waktu 01 menit 40 detik. Disimpulkan bahwa metode ini dapat memprediksi jumlah penduduk Siantar Martoba di masa depan dengan menggunakan Matlab R2011a, sehingga memperoleh jumlah penduduk siantar martoba sebanyak 36470 Jiwa.
Kata kunci: arsitektur; backpropagation; pematangsiantar; kependudukan; kesejahteraan
Abstract:Abstract: Indonesia is included in the category of developing countries and is a country with a relatively large population. According to data from the Pematang Siantar City Population and Civil Registration Service, West…
t Siantar District is one of the sub-districts in Pematang Siantar City whose population continues to increase and this will lead to an increase in poverty and unemployment rates. To overcome the above problems, a method is needed to analyze the population growth of West Siantar, one of which is using the Backpropagation method. This research will use training data starting from 2017-2021 and test data from 2018-2022. The results carried out using MATLAB R2011a software show the best architecture 4-19-1 with an accuracy of 100 with an MSE number of 0.00010031375 and an epoch value of 124777. Based on the research carried out, the population of West Siantar in the next year is 86067 people. It is concluded that backpropagation can be used as a method that makes it easier to search for predictions and the level of accuracy obtained depends on the architecture used.
Keywords: Birth; Growth; Matlab; Predictions; Resident
Abstrak: Indonesia termasuk dalam kategori negara berkembang dan merupakan negara dengan jumlah penduduk yang relatif besar. Menurut data Dinas Kependudukan dan Catatan Sipil Kota Pematang Siantar, Kecamatan Siantar Barat merupakan salah satu kecamatan di Kota Pematang Siantar yang jumlah penduduknya terus meningkat dan hal ini akan berdampak pada peningkatan angka kemiskinan dan pengangguran. Untuk mengatasi permasalahan diatas diperlukan suatu metode untuk menganalisis pertumbuhan penduduk Siantar Barat, salah satunya adalah dengan menggunakan metode Backpropagation. Penelitian ini akan menggunakan data latih mulai tahun 2017-2021 dan data uji 2018-2022. Hasil yang dilakukan dengan menggunakan software MATLAB R2011a menunjukkan arsitektur terbaik 4-19-1 dengan akurasi 100 dengan angka MSE 0.00010031375 dan nilai epoch 124777. Berdasarkan penelitian yang dilakukan, populasi Siantar Barat di tahun berikutnya sebanyak 86067 orang. Disimpulkan bahwa backpropagation dapat digunakan sebagai metode yang memudahkan pencarian prediksi dan tingkat akurasi yang diperoleh tergantung pada arsitektur yang digunakan.
Keywords: Kelahiran; Matlab; Pertumbuhan; Penduduk; Prediksi
Abstract:Abstract: Project-Based Learning is a type of learning that is quite widely recommended today, especially in vocational type institutions where the learning is effective in the aim of involving students with direct learning…
ing content. The process of evaluating project-based learning on project teams in the performance assessment of each team to rank the order of best performance of all teams is still assessed based on subjective assessments. To overcome these problems, in this study the performance measurement of the project-based learning team by applying the VIKOR method and Rank Order Centroid in conducting assessments with test samples, namely in the Introduction to Database course. The test results obtained based on the calculation of VIKOR and Rank Order Centroid, namely PBL-TRPL01 Team 1 as the best alternative by obtaining based on variations of testing the VIKOR index value with values v=0.4, v=0.5, and v=0.6. Thus, it can be seen that the VIKOR and Rank Order Centroid methods can be applied to the calculation process of measuring team performance in project-based learning.
Keywords: decision Support System; project-based learning; rank order centroid; VIKOR
Abstrak: Pembelajaran Berbasis Proyek merupakan jenis pembelajaran yang cukup banyak direkomendasikan di masa kini khususnya pada institusi berjenis vokasional. Pembelajaran tersebut efektif dalam tujuan melibatkan para peserta didik dengan konten pembelajaran secara langsung. Proses evaluasi pembelajaran berbasis proyek pada tim proyek dalam penilaian performa dari masing-masing tim untuk memeringkatkan urutan performa terbaik dari seluruh tim masih dinilai berdasarkan penilaian secara subyektif. Untuk mengatasi persoalan tersebut, pada penelitian ini pengukuran performa tim project-based learning dengan menerapkan metode VIKOR dan Rank Order Centroid dalam melakukan penilaian dengan sampel pengujian yaitu pada mata kuliah Pengantar Basis Data. Hasil pengujian yang diperoleh berdasarkan perhitungan VIKOR dan Rank Order Centroid yaitu bahwa alternatif PBL-TRPL01 Tim 1 sebagai alternatif terbaik dengan peroleh berdasarkan variasi pengujian nilai indeks VIKOR. Maka dengan demikian, dapat diketahui bahwa metode VIKOR dan Rank Order Centroid dapat diterapkan pada proses perhitungan pengukuran performa tim pada pembelajaran berbasis proyek.
Kata kunci: pembelajaran berbasis proyek; rank order centroid; sistem pendukung keputusan; VIKOR
Abstract:Abstract: Stunting is one of the nutritional problems that the world pays the most attention to and a major nutritional problem in Indonesia. Stunting is a problem in toddler growth which is characterized by a toddler's…
height that is too short compared to toddlers of his age. In the research location, namely Asahan Regency, the mapping of areas prone to increased stunting rates has not been carried out optimally. The process of exploring the stunting data warehouse is useful for adding information that can assist the government in making policies. Therefore, the aim of this research is to map stunting-prone areas in Asahan district based on the number of stunting cases in Asahan district using the machine learning-based K-Means clustering model. Based on previous research reviews, the k-means clustering method used has not used the normalization process. In addition, distance measurement only uses Euclidean Distance. Meanwhile, in this research, clustering performance analysis was carried out using a more in-depth process, namely by applying data normalization at the beginning, using the elbow method to determine the best number of clusters (K), measuring distance using Euclidean Distance, Manhattan Distance and Minkowski Distance to obtain comparison results. better clusters. The analysis results show that the best number of clusters is cluster 2 which shows the mapping results into 2 groups with a DBI of 0.51290 and a silhouette_score of 0.71432.
Keywords: stunting; k-means clustering; machine learning
Abstrak: Stunting menjadi salah satu permasalahan gizi yang paling diperhatikan dunia dan permasalahan gizi yang utama di Indonesia. Stunting merupakan masalah pada pertumbuhan balita yang ditandai dengan tinggi badan balita yang terlalu pendek dibanding balita seusianya. Pada lokasi penelitian yaitu Kabupaten Asahan, pemetaan daerah rawan peningkatan angka stunting belum dilakukan dengan optimal. Proses eksplorasi gudang data stunting ini berguna untuk menambah informasi yang dapat membantu pemerintah dalam mengambil kebijakan. Maka dari itu, tujuan dari penelitian ini adalah pemetaan daerah rawan stunting di kabupaten Asahan berdasarkan jumlah kasus stunting di Kabupaten Asahan menggunakan model clustering metode K-Means berbasis machine learning. Berdasarkan tinjauan penelitian terdahulu, metode k-means clustering yang digunakan belum menggunakan proses normalisasi. Selain itu, pengukuran jarak hanya menggunakan Euclidean Distance. Sedangkan dalam penelitian ini, analisis kinerja clustering yang dilakukan dengan proses yang lebih mendalam yaitu dengan penerapan normalisasi data di awal, penggunaan elbow method untuk penentuan jumlah cluster (K) terbaik, pengukuran jarak dengan Euclidean Distance, Manhattan Distance dan Minkowski Distance untuk mendapatkan hasil perbandingan cluster yang lebih baik. Hasil analisis menunjukkan bahwa jumlah cluster terbaik yaitu cluster 2 yang menunjukkan hasil pemetaan menjadi 2 kelompok dengan DBI 0.51290 dan silhouette_score sebesar 0.71432.
Kata kunci: stunting; k-means clustering; machine learning