Analisis Klasterisasi K-medoids pada Data Gizi Susu Kemasan (Studi Kasus : Dampak Penanganan Profil Nutrisi Identik)

Abstract

Meningkatnya prevalensi penyakit tidak menular seperti diabetes pada anak menekankan pentingnya pemilihan susu kemasan yang tepat, mengingat variasi nutrisi dan potensi risiko kesehatan yang ditimbulkannya. Selain itu, keberadaan data dengan profil nutrisi yang identik dalam analisis produk dapat memengaruhi hasil pengelompokan. Penelitian ini bertujuan untuk mengidentifikasi pola kandungan gizi produk susu kemasan di Indonesia menggunakan K-Medoids, dan menganalisis dampak perlakuan terhadap entri berprofil identik (dipertahankan dan dihapus) pada hasil pengelompokan. Data primer kandungan gizi dari 82 produk susu kemasan (meliputi lima variabel utama) dianalisis setelah konversi satuan per 100 ml. Metode K-Medoids diterapkan pada dua pendekatan: data asli (82 produk, termasuk entri-entri berprofil identik) dan data bersih (69 produk setelah 13 entri dihapus). Kualitas klaster dievaluasi dengan Silhouette Score, DBI, dan Dunn Index. Analisis deskriptif mengungkap variabilitas gizi yang signifikan. Kedua pendekatan K-Medoids secara konsisten menghasilkan dua klaster optimal (K = 2), yaitu "Kandungan Gizi Rendah" dan "Kandungan Gizi Tinggi". Meskipun profil nutrisi inti kedua klaster relatif stabil antar pendekatan, penanganan entri berprofil identik memengaruhi jumlah anggota klaster dan menyebabkan perpindahan kategori pada produk individual tertentu. Dari sisi evaluasi, pendekatan tanpa entri berprofil identik menunjukkan perbaikan pada DBI, sementara metode validasi lain mengindikasikan struktur klaster yang tetap valid. Kesimpulannya, penanganan data dengan profil nutrisi identik memiliki dampak yang terukur dan signifikan pada hasil klasterisasi K-Medoids. Meskipun pendekatan tanpa entri identik menghasilkan perbaikan pada DBI yang mengindikasikan batas klaster lebih tegas, sedikit penurunan pada Silhouette Score dan Dunn Index menyiratkan bahwa penghapusan entri identik mungkin telah mengurangi informasi mengenai 'kepadatan alami' dalam data. Pilihan pendekatan terbaik bergantung pada tujuan analisis, di mana pendekatan tanpa entri identik lebih unggul untuk mendapatkan klaster yang lebih 'bersih', sementara pendekatan dengan mempertahankan seluruh data mungkin lebih baik dalam merepresentasikan distribusi asli pasar.