Komparasi Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Penyebaran Covid-19 di Indonesia
Abstract
COVID-19 merupakan bagian dari keluarga virus penyebab Severe Acute Respiratory Syndrome (SARS) dan Middle East Respiratory Syndrome (MERS), beberapa gejala yang dialami apabila terinfeksi virus ini antara lain batuk, demam, letih, sesak nafas, dan mengalami penurunan nafsu makan. Pada Penelitian ini data yang digunakan tahun 2019 - Februari 2021 yang bersumber pada website resmi www.covid19.go.id. Dalam upaya menemukan daerah yang memiliki kasus penyakit Covid-19 dapat menggunakan Data Mining. Negara indonesia merupakan salah satu dari negara di dunia yang cukup tinggi terkena virus covid-19. Tujuan penelitian ini yaitu untuk mengelompokan provinsi yang memiliki penyakit covid-19 dengan tingkat tinggi dan rendah di indonesia dan melakukan perbandingan dengan metode algoritma yang digunakan yaitu K-Means dan K-Medoids. hasil yang didapatkan pada penelitian ini adalah memiliki cluster optimal sebanyak 2 cluster, dengan menggunakan algoritma K-Means dimana cluster 1 beranggotakan 2 wilayah dan dikategorikan tinggi, sedangkan untuk cluster 2 sebanyak 32 wilayah dan dikategorikan rendah. Sedangkan menggunakan algoritma K-Medoids yaitu untuk cluster 1 beranggotakan 4 wilayah dan dikategorikan tinggi, sedangkan untuk cluster 2 sebanyak 30 wilayah dan dikategorikan rendah. Dari kedua perbandingan tersebut menghasilkan nilai Silhouette Coefficient dengan metode K-Means adalah sebesar 0,207. Sedangkan Nilai Silhouette Coefficient dengan metode K-Medoids adalah sebesar 0,347.
Downloads
References
S. Ahmad, “A review of COVID-19 (Coronavirus disease-2019) diagnosis, treatments and prevention,” Eurasian J. Med. Oncol., 2020. https://doi.org/10.14744/ejmo.2020.90853.
N. Mona, “Konsep isolasi dalam jaringan sosial untuk meminimalisasi efek contagious (kasus penyebaran virus corona di Indonesia),” J. Sos. Hum. Terap, vol. 2, no. 2, 2020.
A. S. Abdelhafiz et al., “Knowledge, Perceptions, and Attitude of Egyptians Towards the Novel Coronavirus Disease (COVID-19),” J. Community Health, vol. 45, no. 5, pp. 881–890, Oct. 2020, doi: 10.1007/s10900-020-00827-7.
A. Alqurneh, A. Mustapha, and N. M. Sharef, “A Partitioning-based Approach for Clustering COVID-19 Drugs and Co-Medication for Safe Use,” Int. J. Integr. Eng., vol. 12, no. 5, pp. 224–232, 2020.
M. L. F. Nascimento, “A multivariate analysis on spatiotemporal evolution of Covid-19 in Brazil,” Infect. Dis. Model., vol. 5, pp. 670–680, 2020, doi: 10.1016/j.idm.2020.08.012.
B. Riyanto, “Penerapan Algoritma K-Medoids Clustering Untuk Pengelompokkan Penyebaran Diare Di Kota Medan (Studi Kasus: Kantor Dinas Kesehatan Kota Medan),” KOMIK Konf. Nas. Teknol. Inf. Dan Komput, vol. 3, no. 1, 2019.
P. Arora, Deepali, and S. Varshney, “Analysis of K-Means and K-Medoids Algorithm For Big Data,” Procedia Comput. Sci., vol. 78, pp. 507–512, 2016, doi: 10.1016/j.procs.2016.02.095.
P. Kumar, B. Negi, and N. Bhoi, “Detection of Healthy and Defected Diseased Leaf of Rice Crop using K-Means Clustering Technique,” Int. J. Comput. Appl., vol. 157, no. 1, pp. 24–27, Jan. 2017, doi: 10.5120/ijca2017912601.
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, Dec. 2018, doi: 10.24014/coreit.v4i2.4498
S. Sindi, W. R. O. Ningse, I. A. Sihombing, F. I. R. Zer, and D. Hartama, “Analisis algoritma k-medoids clustering dalam pengelompokan penyebaran covid-19 di indonesia,” JurTI J. Teknol. Inf., vol. 4, no. 1, pp. 166–173, 2020.
Velmurugan, “Computational Complexity between K-Means and K-Medoids Clustering Algorithms for Normal and Uniform Distributions of Data Points,” J. Comput. Sci., vol. 6, no. 3, pp. 363–368, Mar. 2010, doi: 10.3844/jcssp.2010.363.368.
A. R. Mansyur, “Dampak covid-19 terhadap dinamika pembelajaran di indonesia,” Educ. Learn. J., vol. 1, no. 2, pp. 113–123, 2020.
R. K. Klimberg, S. Ratick, and H. Smith, “A Novel Approach to Forecasting Regression and Cluster Analysis,” in Advances in Business and Management Forecasting, Emerald Publishing Limited, 2017.
F. Mahmuda, M. A. R. Sitorus, H. Widyastuti, and D. E. Kurniawan, “Clustering Profil Pengunjung Perpustakaan Menggunakan Algoritma K-means,” J. Appl. Informatics Comput., vol. 1, no. 1, pp. 14–21, 2017.
L. Purba, S. Saifullah, and R. Dewi, “Pengelompokan Kasus Penyakit Aids Berdasarkan Provinsi Dengan Data Mining K-Medoids Clustering,” KOMIK Konf. Nas. Teknol. Inf. Dan Komput., vol. 3, no. 1, 2019.
Copyright (c) 2021 Anisa Fira, Chaerur Rozikin, Garno Garno
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) ) that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
