Perbandingan Algoritma K-Means dan Algoritma K-Medoids Pada Kasus Covid-19 di Indonesia

Puspitasari, Novianti; Lempas, Gidion; Hamdani, Hamdani; Haviuddin, Haviluddin; Septiarini, Anindita

doi:10.47065/bits.v4i4.2994

Cited by 3 publications

(4 citation statements)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Paper [2] membahas tentang perbandingan algoritma K-means dan K-medoids dalam mengklasifikasikan kasus Covid-19 di Indonesia. Jurnal ini menjelaskan langkah-langkah penelitian, termasuk akuisisi dan transformasi data, serta penggunaan algoritma yang digunakan (kesalahan jumlah kuadrat, koefisien siluet, indeks Davis-Bouldin, dll).…”

Section: Tinjauan Pustakaunclassified

Perbandingan Algoritma K-Means Dan K-Medoids Dalam Pengelompokan Kabupaten Dan Kota Berdasarkan Tanaman Biofarmaka

Miftahul Anwar,

Rizki Rinaldi,

Mulyawan

2024

jati

View full text Add to dashboard Cite

Tumbuhan biofarmaka dikenal juga dengan tumbuhan obat yang mempunyai keunggulan penting dalam pengembangan industri farmasi, dan produk kesehatan yang diperoleh dari berbagai bagian tumbuhan seperti daun, batang, buah, dan akar. Salah satu strategi untuk meningkatkan dan mempertahankan produktivitas tanaman biofarmaka dengan membagi sektor tanaman menjadi beberapa kelompok berdasarkan kesamaan karakteristik. Salah satu pendekatan untuk mensegmentasi area ini dengan menggunakan analisis cluster. Tujuan dari penelitian ini adalah untuk mengetahui hasil cluster yang terbentuk dan penggunaan algoritma K-Means dan K-Medoids untuk mengelompokkan kabupaten/kota berdasarkan variabel biomedis tanaman. Dari hasil analisis cluster menggunakan K-Means menghasilkan 24 kabupaten/kota pada cluster 1.1 kabupaten pada cluster 2.1 kabupaten pada cluster 3, dan 1 kabupaten pada cluster 4. Sedangkan dengan menggunakan K-Medoids, cluster 1 menghasilkan 2 kabupaten, cluster 2 menghasilkan 1 kabupaten, cluster 3 menghasilkan 1 kabupaten dan cluster 4 memiliki 23 kabupaten/kota. Dari hasil pengelompokan kedua metode tersebut, ditentukan metode terbaik melalui perbandingan menggunakan cluster variance dalam pengelompokan produksi tanaman biofarmaka. Mencapai nilai DBI. 0.087 untuk algoritma K-Means dan 0.428 untuk algoritma K-Medoids. Hal ini menunjukkan bahwa pada pengujian DBI algoritma K-Means lebih baik dibandingkan algoritma K-medoids karena semakin rendah nilai yang diperoleh maka kualitas cluster yang dihasilkan semakin baik.

show abstract

Section: Tinjauan Pustakaunclassified

Perbandingan Algoritma K-Means Dan K-Medoids Dalam Pengelompokan Kabupaten Dan Kota Berdasarkan Tanaman Biofarmaka

Miftahul Anwar,

Rizki Rinaldi,

Mulyawan

2024

jati

View full text Add to dashboard Cite

show abstract

“…Didalam teknik Clustering terdapat algoritma K-Means yang hanya mengelompokkan sekumpulan data bersifat numerik [7].…”

Section: Pendahuluanunclassified

“…Dengan demikian, berdasarkan nilai DBI tersebut, model K-Means dengan 3 kluster (K=3) dinilai paling optimal dan mampu melakukan pengelompokkan data secara baik. Hasil ini sejalan dengan penelitian [7], [13] dalam kajiannya menyatakan bahwa Nilai DBI yang semakin mendekati 0 menunjukkan pengelompokan data yang baik dengan cluster yang kompak dan terpisah satu sama lain. Sehingga nilai DBI yang rendah mengindikasikan model clustering yang optimal.…”

Section: Hasil Evaluasi Nilai Davies Bouldin Indexunclassified

Analisis Pengelompokkan Dataset Pemilu 2014 Dan 2019 DPR Ri Di Kota Cirebon Menggunakan Algoritma K-Means Clustering

Mulyana,

Rahaningsih,

Danar Dana

2024

jati

View full text Add to dashboard Cite

Strategi politik merupakan perencanaan matang yang disusun dan dilaksanakan oleh seluruh partai politik dalam menyongsong tahun politik mendatang. Data perolehan suara sangat penting untuk dikaji lebih dalam agar menjadi informasi bermanfaat bagi peluang kemenangan. Namun, belum dilakukan analisis mendalam terhadap data Pemilu yang tersedia di KPU Kota Cirebon, utamanya data suara DPR RI. Oleh karena itu, penelitian ini bertujuan memanfaatkan teknik data mining agar dapat membantu mempercepat proses pengambilan keputusan strategis dengan menerapkan teknik clustering dalam mengolah data Pemilu untuk memetakan pola persaingan antar parpol dan koalisi di setiap daerah pemilihan. Metode Knowledge Discovery in Database (KDD) dengan Algoritma K-Means Clustering digunakan untuk menganalisis data pemilu. Tahapan KDD dimulai dari seleksi, pra-pemrosesan, transformasi data, klusterisasi dan evaluasi kluster. Penelitian juga mencari nilai parameter K, iterasi, dan measuretype optimal darip algoritma K-Means berdasarkan nilai DBI. Hasil penelitian ini memperoleh Nilai DBI dari iterasi 1 dan numerical measure sebagai measure type terbaik untuk mendapatkan nilai DBI terbaik yaitu 0,334 pada K=3, yang menunjukkan tingkat kompetisi partai yang berbeda di Kota Cirebon, yaitu C1 (tinggi) diperoleh 232 anggota, C2 (menengah) diperoleh 160 anggota, dan C3 (rendah) diperoleh 224 anggota. Hasil ini bermanfaat bagi parpol dalam merumuskan strategi memenangkan pemilu pada basis masa masing-masing.

show abstract

“…K-Medoids merupakan metode yang berfokus pada pengurangan jarak antara titik yang ada pada suatu cluster dan titik yang dijadikan pusat cluster. [5] Berdasarkan tingkat keefektifan dalam melakukan pengelompokkan data, penelitian ini menerapkan metode algoritma K-Means dan K-Medoids.…”

Section: Pendahuluanunclassified

Komparasi Algoritma K-Means Dan K-Medoids Clustering Pada Data Penyebaran Kasus Hiv Di Provinsi Jawa Barat

Soni,

Rahaningsih,

Danar Dana

2024

jati

View full text Add to dashboard Cite

Dinas Kesehatan Jawa Barat mencatat kasus HIV pada tahun 2022 di Jawa Barat terus mengalami peningkatan. Situasi ini mencerminkan penularan HIV di Jawa Barat masih berlangsung di masyarakat hingga saat ini dan memerlukan upaya pencegahan. Berdasarkan permasalahan tersebut, penelitian ini melakukan pengelompokkan dengan metode perbandingan algoritma K-Means dan K-Medoids untuk melihat algoritma mana yang paling optimal dari segi performa nilai Davies-Boudien Index (DBI) dan waktu komputasi. Analisis cluster dilakukan berdasarkan wilayah, jenis kelamin dan umur. Proses penelitian menggunakan metode KDD (Knowledge Discovery in Databases) mencakup tahap Data selection, Pre-processing, Transformation, Data mining, dan Evalution/ interpretation. Hasil penelitian menunjukkan algoritma K-Means sebagai metode yang paling baik dan optimal dalam melakukan pengelompokkan dibandingkan dengan algoritma K-Medoids. Hasil pengujian optimal pada algoritma K-Means didapat pada K=4 dengan nilai validitas DBI 0,102, berbeda dengan algoritma K-Medoids yang menunjukkan klaster optimal pada K=3 dengan nilai DBI 0,130. Selain itu, dalam hal perbandingan kinerja kecepatan didapatkan bahwa K-Means memiliki waktu komputasi lebih cepat dibandingkan dengan algoritma K-Medoids yaitu 5 detik pada algoritma K-Means dan 5 menit pada K-Medoids. Hasil penelitian diharapkan dapat membantu pemerintah dalam perencanaan dan pengembangan strategi pencegahan HIV/AIDS di Jawa Barat serta dapat digunakan sebagai panduan untuk menentukan prioritas dalam penanganan penyebaran HIV.

show abstract

Perbandingan Algoritma K-Means dan Algoritma K-Medoids Pada Kasus Covid-19 di Indonesia

Cited by 3 publications

References 18 publications

Perbandingan Algoritma K-Means Dan K-Medoids Dalam Pengelompokan Kabupaten Dan Kota Berdasarkan Tanaman Biofarmaka

Perbandingan Algoritma K-Means Dan K-Medoids Dalam Pengelompokan Kabupaten Dan Kota Berdasarkan Tanaman Biofarmaka

Analisis Pengelompokkan Dataset Pemilu 2014 Dan 2019 DPR Ri Di Kota Cirebon Menggunakan Algoritma K-Means Clustering

Komparasi Algoritma K-Means Dan K-Medoids Clustering Pada Data Penyebaran Kasus Hiv Di Provinsi Jawa Barat

Contact Info

Product

Resources

About