Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Penyebaran Covid-19 di Provinsi Jawa Barat

Abstract

adalah kategori penyakit baru yang telah menyebar di seluruh penjuru dunia, termasuk di Indonesia. Covid-19 disebabkan oleh virus yang mengakibatkan gangguan pada sistem pernapasan, muncul gejala ringan seperti flu, sampai infeksi paru-paru, seperti pneumonia. Penyebaran covid-19 begitu cepat dan masif, di Indonesia total penyebaran covid-19 sudah mencapai 1.066.313 jiwa dan provinsi Jawa Barat menduduki posisi kedua tertinggi penyebaran covid-19. oleh karena itu perlu dilakukan pengelompokan kota/kabupaten di provinsi Jawa Barat untuk membuat strategi penanganan penyebaran covid-19. Pengelompokan penyebaran covid-19 dilakukan dengan menggunakan algoritma K-Means clustering yang melakukan pengelompokan data ke beberapa cluster berdasarkan kemiripan datanya dan diimplementasikan pada tools aplikasi bahasa R serta dengan menggunakan metode CRISP-DM sehingga setiap fase dalam data mining lebih terstruktur dan terdefinisi dengan jelas. Berdasarkan hasil penelitian diperoleh 3 klaster, yaitu klaster 1 sebagai klaster dengan jumlah penyebaran covid-19 yang paling tinggi diperoleh 2 kabupaten/kota. Untuk klaster 2 sebagai klaster dengan jumlah penyebaran covid-19 menengah diperoleh 5 kabupaten/kota Dan sisanya sebanyak 20 kabupaten/kota masuk dalam klaster 3 dengan jumlah penyebaran covid-19 yang lebih sedikit. Dari hasil penelitian ini diharapkan dapat mendukung pemerintah provinsi Jawa Barat untuk mengambil keputusan secara strategis pada setiap klasternya untuk mengurangi persebaran covid-19 di Jawa Barat.

Data Mining Menggunakan Algoritma K-Means untuk Klasifikasi Penyakit Infeksi Saluran Pernafasan Akut

“…Data Mining adalah untuk mengolah data sehingga menghasilkan informasi baru yang bermanfaat [4]. Proses penggalian informasi dari sebuah data set atau kumpulan data disebut dengan Data Mining [5]. Data Mining digunakan dalam aplikasi yang lebih luas [6].…”

Perbandingan Algoritma K-Means Dan K-Medoids Dalam Clustering Rata-Rata Penambahan Kasus Covid-19 Berdasarkan Kota/Kabupaten Di Provinsi Sumatera Selatan

“…Penelitian sebelumnya yang dilakukan oleh Sindi, dkk (2020) menjelaskan bahwa melalui teknik clustering dapat diketahui pola pemilihan penentuan pengelompokan penyebaran Covid-19 di berbagai wilayah di Indonesia [5]. Disamping itu, penelitian oleh Mirantika, dkk (2021) melakukan clustering kasus Covid-19 di Provinsi Jawa Barat menggunakan algoritma K-Means yang mendapatkan hasil clustering sebanyak 3 cluster penyebaran Covid-19 dengan menggunakan variabel jumlah isolasi, sembuh dan meninggal dunia [6]. Penelitian dengan kasus serupa juga dilakukan oleh Bu'ulolo dan Purba (2021) dengan algoritma yang berbeda untuk membentuk cluster zona penyebaran Covid-19 di Provinsi Sumatera Utara dengan algoritma K-Medoids menggunakan variabel positif, ODP, PDP dan meninggal.…”

Simulasi dalam Optimalisasi Pengadaan Barang menggunakan Metode K-Mean Clustering

“…Kumpulan dari database bisa menjadi Big Data. Big Data merupakan data yang memiliki volume dan kapasitas yang sangat besar sehingga tidak bisa diolah hanya dengan manual dan tradisional, namun butuh proses yang sedemikian rupa agar data tersebut dapat diubah menjadi informasi yang berharga dan dapat dimanfaatkan sesuai yang dibutuhkan [1]. Jadi, Big Data adalah kumpulan data yang sangat besar yang pengolahannya tidak bisa dilakukan secara manual, sehingga membutuhkan cara dan alat agar data tersebut bisa berguna.…”

“…Salah satu tahapan dalam keseluruhan proses KDD adalah Data Mining [4]. Mining diartikan sebagai usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasar [1]. Mining merupakan proses informasi yang dilakukan dari database yang dapat dilakukan meskipun tidak terlihat [5].…”

“…1,2, 3,4,5,7,8,9,10,11, 12, 13, 14, 15, 16, 17, 19, 22, 23, 24, 25, 26, 27, 28, 29, 31, 32, 33, 34, 35, 37, 38, 40, 41, 42, 43, 44, 45, 47, 48, 49, 50, 53, 54, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 69, 71, 72, 73, 75, 76, 77, 79, 81, 82, 83, 85, 87, 88, 90, 91, 92, 93, 95, 96, 97, 98, 99, 100.…”