Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Persebaran Penyakit yang disebabkan Virus dan Bakteri di Kabupaten Pamekasan (Studi Kasus : Kecamatan Tlanakan)
Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Persebaran Penyakit yang disebabkan Virus dan Bakteri di Kabupaten Pamekasan (Studi Kasus : Kecamatan Tlanakan)
Abstrak
Serangan virus dan bakteri sering kali menjadi permasalahan penting bagi wilayah kerja di Puskesmas Tlanakan. Tujuan dibuatnya aplikasi clustering ini adalah untuk memudahkan pihak Puskesmas mengelompokkan data persebaran penyakit yang disebabkan oleh virus dan bakteri. Dalam penelitian ini akan dibuat model klasterisasi dengan mengelompokkan wilayah yang ada di Kecamatan Tlanakan berdasarkan 6 parameter yaitu luas desa, jumlah penduduk, jumlah fasilitas kesehatan, jumlah jamban, jumlah kartu keluarga, dan jumlah penderita virus dan bakteri. Clustering merupakan metode dalam data mining yang 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 clustering yang mirip dengan K-Means. Perbedaan kedua algoritma ini yaitu algoritma K-Medoids atau PAM menggunakan objek sebagai perwakilan (medoid) sebagai pusat cluster untuk setiap cluster, sedangkan K-Means menggunakan nilai rata-rata (mean) sebagai pusat cluster. Algoritma K-Medoids memiliki kelebihan untuk mengurangi noise dan outlier, di mana objek dengan nilai yang besar yang memungkinkan menyimpang pada dari distribusi data. Kelebihan lainnya yaitu hasil proses clustering tidak bergantung pada urutan masuk dataset. Untuk uji validalitas cluster menggunakan Silhouette Coefficient. Dari hasil uji coba yang dilakukan dengan menggunakan C0,C1 dan C2 diperoleh hasil Silhouette Coefficient terbaik untuk virus tadapat pada C2 dengan hasil -0.222735862 dan untuk bakteri terdapat pada C2 dengan hasil 0.074374117. Dimana nilai yang mendekati 1 adalah hasil yang optimal. Jadi berdasarkan data tersebut, dapat disimpulkan bahwa metode ini berhasil dalam mengelompokkan cluster yang disebabkan oleh virus dan bakteri.