Analisis K-Medoids Clustering Dalam Pengelompokkan Data Imunisasi Campak Balita di Indonesia

Sundari, Siti; Damanik, Irfan Sudahri; Windarto, Agus Perdana; Tambunan, Heru Satria; Jalaluddin, Jalaluddin; Wanto, Anjar

doi:10.30645/senaris.v1i0.75

Cited by 12 publications

(13 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Algoritma k-medoids dikembangkan oleh Leonard Kaufman dan Peter J. Rousseeuw pada tahun 1987. Algoritma k-medoids sering disebut juga algoritma Partitoning Around Medoids (PAM) [6]. Algoritma kmedoids memiliki kesamaan dengan algoritma k-medoids yaitu sama-sama termasuk algoritma partitioning.…”

Section: Algoritma K-medoidsunclassified

Implementasi Metode K-Medoids Clustering Dalam Pengelompokan Data Penyakit Alergi Pada Anak

Ningrum

Irawan

Lubis

2021

jurasik

View full text Add to dashboard Cite

Allergies are an abnormal response from the immune system. People who experience allergies have an immune system that reacts to a substance that is usually harmless in the environment. There are two limitations in this study, namely, seafood allergy and air allergy. In this study, the data used were sourced from the National Statistics Agency in 2011-2019. This study uses data mining techniques in data processing with the k-medoids clustering method. The k-medoids method is a clustering method that functions to split the dataset into several groups. The advantages of this method are able to overcome the weaknesses of the k-means method which is sensitive to outliers. Another advantage of this method is that the results of the clustering process do not depend on the order in which the dataset is entered. This method can be applied to data on the percentage of children affected by allergies by province, so that it can be seen the grouping of provinces based on this data. From this grouping data obtained 3 clusters namely low cluster (2 provinces), medium cluster (30 provinces) and high cluster (2 provinces) from the percentage of allergy immunization under five in each province. It is hoped that this research can provide information to the health department, especially the public health center regarding data grouping of Allergic Diseases in children in Indonesia which has an impact on equity in giving anti-allergic immunization to children in Indonesia

show abstract

Section: Algoritma K-medoidsunclassified

Implementasi Metode K-Medoids Clustering Dalam Pengelompokan Data Penyakit Alergi Pada Anak

Ningrum

Irawan

Lubis

2021

jurasik

View full text Add to dashboard Cite

show abstract

“…Beberapa penelitian mengenai metode K-Medoids dan topik penelitian telah dilakukan sebelumnya, diantaranya yaitu penelitian Sundari dkk (2019), penelitian ini menggunakan metode K-Medoids dalam mengelompokkan data imunisasi campak balita [2]. Penelitian Irwansyah dkk (2020), penelitian ini mengangkat topik tentang pengelompokan pasien penyakit cardiovascular, penelitian ini dilakukan menggunakan metode K-Medoids [3].…”

Section: Pendahuluanunclassified

Data Mining dalam Pengelompokan Penyakit Pasien dengan Metode K-Medoids

Iswavigra

Defit

Nurcahyo

2021

jidt

View full text Add to dashboard Cite

Penyakit merupakan suatu kondisi di mana pikiran dan tubuh mengalami semacam gangguan dan ke tidaknyamanan bagi yang mengalaminya. Semakin hari, jumlah pasien di Puskesmas Kuok semakin meningkat dengan beragam jenis penyakit yang berbeda-beda. Peningkatan jumlah pasien mengharuskan staff Puskesmas Kuok harus selalu memperbaharui data rekam medis pasien. Data rekam medis pasien ini berupa laporan yang berisikan jumlah pasien dan penyakit yang diderita. Berdasarkan data tersebut, pihak Puskesmas perlu untuk mengetahui informasi tentang penyakit yang paling rentan dan banyak diderita pasien. Penelitian ini bertujuan untuk mengelompokkan data penyakit pasien untuk mengetahui penyakit yang paling banyak diderita oleh pasien di Puskesmas Kuok Kabupaten Kampar. Pengelompokan data penyakit pasien dilakukan dengan tahapan Data Mining Clustering dan dilanjutkan dengan tahapan metode K-Medoids. Selanjutnya, di lakukan pengujian cluster menggunakan Silhouette Coefficient. Hasil penelitian ini menunjukkan bahwa pada cluster 1 penyakit yang paling banyak diderita oleh pasien adalah penyakit Diabetes Melitus tidak bergantung Insulin (tipe II) dengan total kasus sebanyak 435 kasus. Pada cluster 2, penyakit yang paling banyak diderita oleh pasien adalah penyakit Hipertensi Esensial (Primer) dengan total kasus sebanyak 2785 kasus. Untuk cluster ke 3, penyakit yang paling banyak diderita oleh pasien adalah penyakit Vulnus Laseratum, Punctum, dengan total kasus sebanyak 328 kasus. Dari hasil cluster yang diperoleh, maka didapatkan hasil pengujian Silhouette Coeficient sebesar 0,900033674.

show abstract

“…Algoritma K-Means Clustering penggunaannya sudah diterapkan di berbagai bidang, beberapa penelitian yang sudah dilakukan menggunakan algoritma tersebut adalah penelitian yang dilakukan oleh [1] berjudul "Penerapan Metode K-Means Untuk Clustering Mahasiswa Berdasarkan Nilai Akademik Dengan Weka Interface Studi Kasus Pada Jurusan Teknik Informatika UMM Magelang". Peneliti lain juga menggunakan metode data mining seperti [2] [3]. Berdasarkan penelitian yang dilakukan, dapat disimpulkan bahwa algoritma K-Means bisa digunakan untuk mengelompokkan mahasiswa berdasarkan IPK dan beberapa atribut mata kuliah.…”

Section: Pendahuluanunclassified

Penerapan Clustering Pada Laju Inflasi Kota Di Indonesia Dengan Algoritma K-Means

2019

Self Cite

View full text Add to dashboard Cite

Inflation is a process of increasing prices in general and continuously, related to market mechanisms that can be caused by various factors, among others, increased public consumption, excess liquidity in the market which triggers consumption or even speculation, to include the consequences of inability to distribute goods. Inflation is an indicator to see the level of change, and is considered to occur if the process of price increases takes place continuously and influences each other. Inflation stability is a prerequisite for sustainable economic growth which ultimately benefits the improvement of people's welfare. With the large amount of data generated from the inflation rate of cities in Indonesia it is difficult for the government to classify the inflation rate. The author took the initiative to conduct research on classifying the inflation rate of cities in Indonesia by using the K-Means Clustering Data Mining algorithm, with the number of clusters being 3. The high value group is in cluster 1 (above average), the value group is in cluster 2 (around the average based on the distance used from the centroid), and the low value group is in cluster 3 (below average). flat). By grouping the rate of inflation of cities in Indonesia, it will be known which cities in Indonesia have high, medium and low inflation rates.

show abstract

Analisis K-Medoids Clustering Dalam Pengelompokkan Data Imunisasi Campak Balita di Indonesia

Cited by 12 publications

References 1 publication

Implementasi Metode K-Medoids Clustering Dalam Pengelompokan Data Penyakit Alergi Pada Anak

Implementasi Metode K-Medoids Clustering Dalam Pengelompokan Data Penyakit Alergi Pada Anak

Data Mining dalam Pengelompokan Penyakit Pasien dengan Metode K-Medoids

Penerapan Clustering Pada Laju Inflasi Kota Di Indonesia Dengan Algoritma K-Means

Contact Info

Product

Resources

About