IMPLEMENTASI METODE K-MEDOIDS CLUSTERING UNTUK MENGELOMPOKAN DATA PERSEBARAN PENYAKIT YANG DISEBABKAN VIRUS DAN BAKTERI DI KABUPATEN PAMEKASAN (STUDI KASUS: KECAMATAN TLANAKAN)

  • Dhebys Suryani Hormansyah
  • Luqman Affandi
  • Haichal Ali Amedy

Abstract

Serangan virus dan bakteri sering kali menjadi permasalahan penting bagi wilayah kerja di Puskesmas Tlanakan. Tujuan dibuatnya aplikasi clusteringini adalah untuk memudahkan pihak Puskesmasmengelompokkan data persebaran penyakit yang disebabkan oleh virus dan bakteri. Clusteringmerupakan metode dalam data miningyang berfungsi untuk membantu proses pengelompokan objek, sehingga mempermudah petugas kesehatan untuk melakukan pendataan terhadap jumlah penderita di setiap wilayah kerja puskesmas Tlanakan. K-Medoids atau Partitioning Around Medoids(PAM) adalah algoritma clusteringyang mirip dengan K-Means. Perbedaan dari kedua algoritma ini yaitu algoritma K-Medoidsatau PAM menggunakan objek sebagai perwakilan (medoid) sebagai pusat clusteruntuk setiap cluster, sedangkan K-Meansmenggunakan nilai rata-rata (mean) sebagai pusat cluster. Algoritma K-Medoidsmemiliki kelebihan untuk mengurangi noisedan outlier, dimana objek dengan nilai yang besar yang memungkinkan menyimpang pada dari distribusi data. Kelebihan lainnya yaitu hasil proses clusteringtidak bergantung pada urutan masuk dataset. Untuk uji validalitas clustermenggunakan Silhouette Coefficient. Dari hasil uji coba yang dilakukan dengan menggunakan C0,C1 dan C2 diperoleh hasil Silhouette Coefficientterbaikuntuk virustadapat pada C2dengan hasil -0.222735862 dan untuk bakteri terdapat pada C2 dengan hasil 0.074374117.Dimana nilai yang mendekati 1 adalah hasil yang optimal.

Published
2018-08-31