Perbandingan Algoritma K-Means dan DBSCAN untuk Pengelompokan Data Penyebaran Covid-19 Seluruh Kecamatan di Provinsi Jawa Barat

Bayu Biantara; Tatang Rohana; Ayu Juwita

Bayu Biantara Universitas Buana Perjuangan Karawang
Tatang Rohana Universitas Buana Perjuangan Karawang
Ayu Ratna Juwita Universitas Buana Perjuangan Karawang

Keywords: algoritma dbscan, algoritma K-Means, clustering

Abstract

Virus Covid-19 ditemukan pertama kali di Wuhan, Tiongkok. Virus Covid-19 menyebar secara cepat, hampir seluruh negara yang ada di dunia. WHO memutuskan sebagai Public Health Emergency of International Concern (KKMMD/PHEIC) pada tanggal 30 Januari 2020[1]. Clustering merupakan salah satu substansi Data Mining untuk pengelompokkan suatu data. Terdapat beberapa Algoritma dalam clustering diantaranya Algoritma K-Means dan Algoritma DBSCAN. Tujuan dari penelitian untuk melakukan perbandingan Algoritma yang terbaik antara Algoritma K-Means dan DBSCAN dalam pengelompokan data penyebaran Covid-19 seluruh kecamatan di provinsi Jawa Barat. Dari hasil penelitian validitas cluster antara Algoritma K-Means dan Algoritma DBSCAN menghasilkan Algoritma K-Means lebih optimal dari Algoritma DBSCAN karena memiliki nilai DBI terbaik dibandingkan Algoritma DBSCAN. Nilai DBI Algoritma K-Means diperoleh dengan nilai 0,4328 pada k=5, sedangkan Algoritma DBSCAN diperoleh nilai DBI pada nilai Eps 0,09 dan MinPts 3 yaitu sebesar 0,6706.

References

[1] Kemenkes, “Pedoman Pencegahan dan Pengendalian Coronavirus Disease (COVID-19),” Germas, pp. 0–115, 2020.
[2] N. Dwitri, J. A. Tampubolon, S. Prayoga, F. Ilmi Zer, and D. Hartama, “Penerapan Algoritma K-Means Dalam Menentukan Tingkat Kepuasan Pembelajaran Online Pada Masa Pandemi Covid-19 di Indonesia,” Jti (Jurnal Teknol. Informasi), vol. 4, no. 1, pp. 101–105, 2020.
[3] E. Ramadanti and M. Muslih, “Analisis Persebaran Kasus Covid-19 Di Jawa Barat Menggunakan Metode K-Means Clustering,” 2021.
[4] D. Noviyanti, A. Emma Pravitasari, and S. Sahara, “Analisis Perkembangan Wilayah Provinsi Jawa Barat Untuk Arahan Pembangunan Berbasis Wilayah Pengembangan,” J. Geogr., vol. 12, no. 01, p. 280, 2020.
[5] N. Mirantika, A. Tsamratul’ain, and F. D. Agnia, “Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Penyebaran Covid-19,” vol. 15, pp. 92–98, 2021.
[6] D. D. Darmansah, “Analisis Penyebaran Penularan Virus Covid-19 di Provinsi Jawa Barat Menggunakan Algoritma K-Means Clustering,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 3, pp. 1188–1199, 2021.
[7] S. Sindi, W. R. O. Ningse, I. A. Sihombing, F. Ilmi R.H.Zer, and D. Hartama, “Analisis algoritma K-Medoids clustering dalam pengelompokan penyebaran Covid-19 di Indonesia,” Jti (Jurnal Teknol. Informasi), vol. 4, no. 1, pp. 166–173, 2020.
[8] R. Adha, N. Nurhaliza, U. Soleha, P. Studi, S. Informasi, and F. Sains, “Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Kasus Covid-19 di Dunia,” vol. 18, no. 2, pp. 206–211, 2021.
[9] Z. I. Alfianti, U. Bina, S. Informatika, K. Kabupaten, J. Barat, and D. Mining, “Algoritma K-Means,” pp. 111–122, 2020.
[10] M. Nana Nurhaliza, “Clustering of Data Covid-19 Cases in the World Using DBSCAN Algorithms Pengelompokan Data Kasus Covid-19 di Dunia Menggunakan Algoritma,” vol. 1, no. 1, pp. 1–8, 2021.
[11] Y. P. Sari, A. Primajaya, and A. S. Y. Irawan, “Implementasi Algoritma K-Means untuk Clustering Penyebaran Tuberkulosis di Kabupaten Karawang,” INOVTEK Polbeng - Seri Inform., vol. 5, no. 2, p. 229, 2020.
[12] D. P. Sari, “Implementasi Algoritma K-Means Dalam Menentukan Tingkat Penyebaran Pandemi Covid-19 Di Sumatera Barat,” CBIS J., vol. 01, pp. 50–56, 2021.
[13] T. Juninda, Mustasim, and E. Andri, “Penerapan Algoritma K-Medoids untuk Pengelompokan Penyakit di Pekanbaru Riau,” Semin. Nas. Teknol. Informasi, Komun. dan Ind., vol. 11, no. 1, pp. 42–49, 2019.