Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient di Puskesmas Karangsambung

  • Riva Arsyad Farissa Universitas Singaperbangsa Karawang
  • Rini Mayasari Universitas Singaperbangsa Karawang
  • Yuyun Umaidah Universitas Singaperbangsa Karawang
Keywords: K-Means, K-Medoids, Silhouette Coefficient

Abstract

Puskesmas merupakan unit pelaksana fungsional yang berperan sebagai pusat pembangunan kesehatan, pusat partisipasi masyarakat bidang kesehatan dan pusat pelayanan kesehatan primer. Masalah yang dialami puskesmas ini adalah perecanaan kebutuhan obat yang tidak efektif dan efisien. Penggunaan data mining ini dapat mengendalikan stok obat agar tidak terjadi penumpukan stok serta kehabisan stok obat. Clustering adalah teknik pengelompokan record dalam database berdasarkan kondisi tertentu. Metode yang akan digunakan untuk clustering data obat-obatan adalah algoritma K-Means dan K-Medoids yang merupakan metode clustering non hirarki yang mempartisi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama akan dikelompokkan ke dalam cluster yang sama. Tujuan dari penelitian ini adalah untuk mengelompokkan data obat-obatan di Puskesmas Karangsambung yang dapat digunakan sebagai referensi untuk perencanaan obat yang akan datang di puskesmas tersebut. Pengelompokkan data dibagi menjadi tiga yaitu lambat, sedang dan cepat. Hasil yang didapatkan yaitu kedua algoritma tersebut menunjukan bahwa algoritma K-Means mendapatkan hasil Silhouette Coefficient lebih tinggi yaitu sebesar 0,627 sedangkan K-Medoids sebesar 0,536.

Downloads

Download data is not yet available.

References

J. J. Tinangon, F. Ekonomi, and J. Akuntansi, “Analisis Pengendalian Internal Atas Persediaan Obat Pada Organisasi Sektor Publik Di Puskesmas Bahu,” J. EMBA J. Ris. Ekon. Manajemen, Bisnis dan Akunt., vol. 7, no. 3, pp. 3099–3108, 2019, doi: 10.35794/emba.v7i3.24062.

S. Chaira, E. Zaini, and T. Augia, “Drugs Management Evaluation at Community Health Centers in Pariaman City, Indonesia,” J. Sains Farm. Klin., vol. 3, no. 1, pp. 35–41, 2016, [Online]. Available: http://jsfkonline.org/index.php/jsfk/article/view/97.

M. Harahap, A. M. Husein, S. Aisyah, F. R. Lubis, and B. A. Wijaya, “Mining association rule based on the diseases population for recommendation of medicine need,” J. Phys. Conf. Ser., vol. 1007, no. 1, pp. 0–11, 2018, doi: 10.1088/1742-6596/1007/1/012017.

Z. Ceylan, S. Gürsev, and S. Bulkan, “An Application of Data Mining in Individual Pension Savings and Investment System,” no. January, pp. 7–11, 2018.

M. Mardalius, “Pemanfaatan Rapid Miner Studio 8.2 Untuk Pengelompokan Data Penjualan Aksesoris Menggunakan Algoritma K-Means,” Jurteksi, vol. 4, no. 2, pp. 123–132, 2018, doi: 10.33330/jurteksi.v4i2.36.

R. D. Firdaus, T. G. Laksana, and R. D. Ramadhani, “Pengelompokan Data Persediaan Obat Menggunakan Perbandingan Metode K-Means Dengan Hierarchical Clustering Single Linkage,” J. Informatics, Inf. Syst. Softw. Eng. Appl., vol. 2, no. 1, pp. 33–48, 2019, doi: 10.20895/inista.v2i1.87.

S. Sundari, I. S. Damanik, A. P. Windarto, H. S. Tambunan, J. Jalaluddin, and A. Wanto, “Analisis K-Medoids Clustering Dalam Pengelompokkan Data Imunisasi Campak Balita di Indonesia,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 687, 2019, doi: 10.30645/senaris.v1i0.75.

P. Kumar and D. Sirohi, “Comparative analysis of FCM and HCM algorithm on Iris data set,” Int. J. Comput. Appl., vol. 5, no. 2, pp. 33–37, 2010, doi: 10.5120/888-1261.

A. Azevedo and M. F. Santos, “KDD , SEMMA AND CRISP-DM : A PARALLEL OVERVIEW Ana Azevedo and M . F . Santos,” IADIS Eur. Conf. Data Min., pp. 182–185, 2008, [Online]. Available: http://recipp.ipp.pt/handle/10400.22/136%0Ahttp://recipp.ipp.pt/bitstream/10400.22/136/3/KDD-CRISP-SEMMA.pdf.

M. Robani and A. Widodo, “Algoritma K-Means Clustering Untuk Pengelompokan Ayat Al Quran Pada Terjemahan Bahasa Indonesia,” J. Sist. Inf. Bisnis, vol. 6, no. 2, p. 164, 2016, doi: 10.21456/vol6iss2pp164-176.

C. Yuan and H. Yang, “Research on K-Value Selection Method of K-Means Clustering Algorithm,” J, vol. 2, no. 2, pp. 226–235, 2019, doi: 10.3390/j2020016.

D. Marlina, N. Lina, A. Fernando, and A. Ramadhan, “Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokkan Wilayah Sebaran Cacat pada Anak,” J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 4, no. 2, p. 64, 2018, doi: 10.24014/coreit.v4i2.4498.

B. Wira, A. E. Budianto, and A. S. Wiguna, “Implementasi Metode K-Medoids Clustering Untuk Mengetahui Pola Pemilihan Program Studi Mahasiwa Baru Tahun 2018 Di Universitas Kanjuruhan Malang,” RAINSTEK J. Terap. Sains Teknol., vol. 1, no. 3, pp. 53–68, 2019, doi: 10.21067/jtst.v1i3.3046.

P. J. Rousseeuw, “Silhouettes: A graphical aid to the interpretation and validation of cluster analysis,” J. Comput. Appl. Math., vol. 20, no. C, pp. 53–65, 1987, doi: 10.1016/0377-0427(87)90125-7.

Published
2021-10-14
How to Cite
[1]
R. Farissa, R. Mayasari, and Y. Umaidah, “Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient di Puskesmas Karangsambung”, JAIC, vol. 5, no. 2, pp. 109-116, Oct. 2021.
Section
Articles