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

Abstract


 Penyebaran yang cukup luas dan cepat, membuat pandemi Covid-19 di Sumatera Selatan berdampak negatif pada semua sektor seperti kesehatan, pekerjaan dan perekonomian. Dengan kebijakan pemerintah yang mengelompokkan wilayah penanganan Covid-19 menjadi 4 zona, perlu dievaluasi apakah pengelompokkan wilayah tersebut sudah tepat menggunakan teknik clustering data mining dengan algoritma K-Means dan K-Medoids. Dari hasil pengujian algoritma K-Means memberikan nilai DBI terbaik adalah 0.078 pada K=2. Sedangkan algoritma K-Medoids memberikan nilai DBI terbaik adalah 0.250 pada K=3. Sehingga kesimpulan yang didapatkan, pembagian wilayah penanganan Covid-19 di provinsi Sumatera Selatan dibagi menjadi 2 cluster (yaitu Kota Palembang dan Luar Kota Palembang) atau menjadi 3 cluster (yaitu Kota Palembang, dekat dengan Kota Palembang dan jauh dari Kota Palembang).
 
 Kata kunci: Covid-19, K-Means, K-Medoids, Clustering, DBI

Penerapan Metode K-Medoids Clustering Pada Penanganan Kasus Demam Berdarah

“…Penelitian terdahulu yang telah dilakukan oleh Sevi Dian Nirwana, dkk pada tahun 2022 dimana pada hasil penelitian didapatkan bahwa dengan menggunakan algoritma K-Medoids dapat dipergunakan untuk membentuk 3 cluster dan kinerjanya lebih baik dibandingkan dengan algoritma clustering lainnya [4]. Penelitian lainnya juga telah dilakukan di tahun yang sama oleh Fahikra Faisal, dkk dengan hasil penelitian yang didapatkan yaitu Algoritma K-Medoids dapat untuk membentuk clusterisasi dengan kinerja lebih baik dibandingkan dengan algortima lainnya [5].…”