Bagaimana komputer bisa mengelompokkan ratusan wilayah tanpa pernah diberi contoh jawaban? Buku Klasterisasi dan Algoritma Genetika: Dari Data Wilayah ke Prioritas Penanganan Stunting mengajak pembaca memahami klasterisasi dari dasarnya. Pembahasannya dimulai dari cara mengubah objek menjadi data dan mengukur kemiripannya, lalu berlanjut ke algoritma K-Means, cara menentukan jumlah klaster, sampai penggunaan algoritma genetika untuk mencari posisi sentroid yang lebih baik. Semua konsep itu diterapkan pada satu kasus nyata yang dikerjakan sampai tuntas, yaitu pengelompokan 495 kabupaten dan kota di Indonesia berdasarkan prevalensi stunting, tingkat kemiskinan, dan Indeks Pembangunan Manusia.

Buku ini juga membahas secara terbuka sebuah hasil yang tidak terduga. Algoritma genetika yang jauh lebih rumit ternyata memberi jawaban yang sama persis dengan K-Means++ yang sederhana dan cepat. Dari temuan itu muncul pertanyaan yang menjadi benang merah buku ini, yaitu kapan metode yang lebih rumit benar-benar diperlukan dan bagaimana kita bisa mengetahuinya sebelum waktu komputasi terbuang.

Setiap langkah disertai kode Python dan R yang dapat dijalankan ulang, dan rumus matematika tidak ditampilkan di badan teks. Pendekatan ini membuat pembaca dapat mengikuti proses analisis secara bertahap sekaligus memahami hubungan antara konsep klasterisasi, implementasi algoritma, hasil komputasi, dan interpretasi data.

Buku ini cocok untuk mahasiswa ilmu komputer dan sistem informasi, untuk praktisi yang memakai klasterisasi dalam pekerjaannya, dan untuk pembaca umum yang ingin mengetahui bagaimana komputer menemukan pola dalam data. Melalui studi kasus penanganan stunting, pembaca juga diperlihatkan bagaimana teknik komputasi dapat digunakan untuk mengolah data wilayah menjadi informasi yang lebih bermakna bagi penyusunan prioritas.