Jurnal CyberTech Vol.
No.
September 201x, pp.
P-ISSN : 9800-3456
E-ISSN : 2675-9802
PENERAPAN DATA MINING UNTUK MENGETAHUI POTENSI
PENYEBARAN PENYAKIT DBD MENGGUNAKAN
METODE ALGORITMA K-MEANS
Frans Einer Sitompul *.
Moch.
Iswan Perangin-angin.
Kom.
Kom **.
Azlan.
Kom.
Kom ** * Sistem Informasi.
STMIK Triguna Dharma ** Sistem Informasi.
STMIK Triguna Dharma Article Info Article history:
Received Jun 12th, 2021 Revised Aug 20th, 2021 Accepted Aug 26th, 2021 Keyword:
Demam Berdarah.
K-Means.
Mining ABSTRACT Demam Berdarah merupakan penyakit menular yang terdapat di wilayah tropis maupun subtropis.
Semakin meningkatnya kepadatan penduduk di Kota Wilayah Perumnas Simalingkar.
Melihat daerah penyebarannya perlu dibuat sebuah pengelompokan data penyebaran agar dapat memperoleh pusat titik penyebaran.
Implementasi data mining menggunakan algoritma K-Means sangat membantu dalam pengelompokan daerah sporadis, potensi dan endemis.
Hasil pengelompokan C1 ada 6 Lingkungan dan C2 ada 13 Lingkungan, dari total 19 lingkungan.
Akan menjadi bahan untuk melakukan penyehatan lingkungan sesuai dengan kelompok yang akan dikerjakan oleh Puskesmas Perumnas Simalingkar.
Copyright A 2019 STMIK Triguna Dharma.
All rights reserved.
Corresponding Author: *First Author Frans Einer Sitompul Sistem Informasi STMIK Triguna Dharma Email: Franseiner96@gmail.
PENDAHULUAN
Pada masa sekarang ini aliran informasi telah meningkat dalam jumlah yang besar setiap harinya, peningkatan aliran inrormasi ini akan menyebabkan terjadinya penumpukan data berupa dokumen teks, baik secara online maupun offline.
Dokumen teks yang menumpuk menyebabkan sulitnya mencari dokumen yang sesuai dengan kebutuhan.
Ketersediaan data yang berlimpah yang dihasilkan dari penggunaan teknologi informasi dihampir semua bidang kehidupan menimbulkan kebutuhan untuk dapat memanfaatkan informasi dan pengetahuan yang terkandung di dalam limpahan data tersebut, yang kemudian melahirkan data mining.
Data Mining merupakan proses untuk menemukan pengetahuan .
nowledge discover.
yang ditambang dari sekumpulan data yang volumenya besar.
Dalam data mining terdapat beberapa fungsi yaitu data mining untuk Association Rules (Aturan Asosias.
, data mining untuk Clasification (Klasifikas.
, data mining untuk Clustering (Cluster/Pengelompoka.
, data mining untuk Prediction (Prediks.
, dam data mining untuk Forecasting (Peramala.
Penyakit Demam Berdarah masih menjadi permasalahan kesehatan masyarakat.
Demam Berdarah merupakan salah satu jenis penyakit menular yang terdapat di wilayah tropis maupun subtropis, penyakit demam berdarah dapat menular karena gigitan nyamuk Aedes Aegypti.
Dampak dari demam berdarah dapat membuat suhu tubuh penderita menjadi sangat tinggi dan pada umumnya disertai demam, mual/muntah, sakit kepala, dan nyeri perut.
Dinas kesehatan mempunyai tugas pokok untuk membantu penyelenggaraan kegiatan penyehatan lingkungan.
Meningkatnya penderita penyakit demam berdarah dikarenakan kurangnya kesadaran masyarakat terhadap kesehatan lingkungan.
Timbul masalah yang Journal homepage: https://ojs.
P-ISSN : 9800-3456
E-ISSN : 2675-9802
menyulitkan untuk mengelompokan daerah yang akan menghasilkan titik-titik pusat penyebaran penderita demam berdarah, maka dilakukan pengelompokan data berdasarkan jumlah pendukuk, jumlah penderita.
Dengan menggunakan Data Mining data tersebut dapat lebih dioptimalkan pemanfaatannya yaitu dengan mencari informasi yang tersembunyi dan jarang diketahui.
Penerapan data mining untuk mengetahui potensi penyebaran penyakit DBD menggunakan Metode Algoritma K-Means untuk membangun sebuah sistem yang dapat mengelompokan data daerah penyebaran penyakit demam berdarah, dengan mengimplementasikan algoritma K-Means Clustering maka akan menghasilkan titik-titik pusat penyebaran penyakit demam berdarah, dengan itu maka dapat memudahkan pihak yang membutuhkan dalam melaksanakan program kerja yang telah direncanakan untuk mencegah terjadinya penyebaran penyakit Demam Berdarah yang semakin meningkat.
Melalui proses pengerjaan dan pengujian dalam penelitian ini, maka dapat ditarik kesimpulan bahwa metode klasterisasi k-means dapat digunakan untuk mengelompokkan daerah potensi.
Berdasarkan permasalahan di atas, maka penulis tertarik untuk melakukan pengklasifikasian penyakit demam berdarah dengan menerapkan algoritma K-Means yang berjudul AuPENERAPAN DATA MINING
UNTUK MENGEAHUI POTENSI PENYEBARAN PENYAKIT DBD MENGGUNAKAN METODE
ALGORITMA K-MEANSAy.
METODE PENELITIAN
Metode yang digunakan penulis adalah metode Waterfall karena metode ini merupakan pendekatan Berikut tahapan-tahapan dalam metode Waterfall yang diimplementasikan pada perencanaan pembuatan sistem ini :
System Engineering Permodelan ini diawali dengan mencari kebutuhan dari keseluruhan sistem yang akan diaplikasikan ke dalam bentuk software.
Hal ini sangat penting, mengingat software harus dapat berinteraksi dengan elemen-elemen yang lain seperti hardware, database dan sebagainya.
Tahap ini sering disebut dengan Project Definition.
Adapun Software yang akan Penulis gunakan dalam pembuatan sistem ini yaitu menggunakan pemrograman PHP.
HTML, dan Javascript.
Selanjutnya, penulis akan menggunakan database MySQL dan didukung dengan browser Mozilla Firefox.
Analisis (Analysi.
Menganalisa alur sistem secara garis besar, kemudian menganalisa data-data yang akan digunakan.
Secara garis besar, alur sistem ini yaitu dimulai dari data pasien DBD, kemudian admin akan mendapatkan report dari sistem ini.
Sehingga data-data yang dibutuhkan antara lain data mengenai data pasien,wilayah sebaran dan data pengguna.
Perancangan (Desig.
Setelah menganalisa data, tahap selanjutnya adalah membuat alur sistem secara detail kemudian membuat perancangan desain masing-masing form.
Desain form yang akan digunakan meliputi form tentang data pasien, data gejala DBD, form proses dan data pengguna.
Pengkodean (Codin.
Tahap pengkodean merupakan menterjemahkan analisa dan perancangan ke dalam bahasa Penulis akan menggunakan bahasa pemrograman PHP dengan database MySQL.
Ujicoba (Testin.
Setelah tahap pengkodean, selanjutnya adalah uji coba sistem.
Pada uji coba sistem ini, penulis akan melakukan pengecekan atau uji coba dari masing-masing sub sistem, apakah sudah sesuai dengan yang diharapkan atau masih ada bug.
Jika masing-masing sub sistem dinyatakan sudah sesuai, maka akan dilakukan pengujian secara keseluruhan dengan dat yang akan digunakan.
Pemeliharaan (Maintenanc.
Setelah sistem diimplementasikan, maka pemeliharaan terhadap sistem sangat diperlukan.
Misalnya adanya perbaikan atas kerusakan sistem.
ANALISA DAN HASIL
Adapun dalam analisa ini menggunakan metode K-Means.
Algoritma K-Means merupakan metode pengklusteran secara partitioning yang memisahkan data kedalam kelompok yang berbeda.
Dengan partitioning secara iteratif K-means mampu meminimalkan rata-rata jarak setiap mampu meminimalkan ratarata jarak setiap clusternya.
Algoritma K-Means merupakan metode non-hierarki yang pada awalnya mengambil sebagian banyaknya komponen populasi untuk dijadikan pusat kluster awal.
Algoritma K-Means Ada beberapa alur yang dimiliki oleh Algoritma K-Means memiliki peroses alur sebegai berikut :
Jurnal Cyber Tech Vol.
No.
September 201x : xx Ae xx
Jurnal Cyber Tech
P-ISSN : 9800-3456 E-ISSN : 2675-9802
Menentukan jumlah cluster dan menentukan koordinat titik tengah cluster.
Kelompok cluster yang dibuat adalah 4 kelompok berdasarkan jumlah atribut yang digunakan.
Total jumlah dari setiap atribut tersebut untuk menentukan kelompok diambil dari frekuensi kurang, frekuensi sedang dan frekuensi Penentuan nilai dari cluster untuk dijadikan acuan dalam melakukan perhitungan jarak objek ke centroid, perhitungan jarak mengacu pada rumus Euclidean yang dilakukan perhitungan di excel.
Pengelompokkan objek tersebut berdasarkan pada jarak yang dilakukan dengan menggunakan hasil pada perhitungan jarak yaitu pada proses langkah Start Data Awal Tentukan Nilai Titik Cluster Tinggi (Ma.
Rendah (Mi.
Atur Jarak Centroid Tampilkan Hasil Perhitungan Tentukan Posisi Cluster Iterasi 1 Apakah Posisi Centroid Tidak Sama ? Tampilkan Hasil Perhitungan iterasi-Yang ke n End Gambar 3.
Algoritma Sistem Perhitungan Algoritma K-Means Data Awal Data yang akan diolah ini merupakan data kasus temuan penyakit DBD per lingkungan di Puskesmas Perumnas Simalingkar.
Tabel 3.
Data Awal Lingkungan Jumlah Penduduk Penderita Jl.
Kopi Raya Jl.
Karet Raya Jl.
Sawit Jl.
Kiwi Jl.
Nyiur Jl.
Cengkeh Jl.
Teh Jl.
Tembakau Raya Jl.
Pinus Jl.
Jahe Raya Tojak Jl.
Bawang Jl.
Rami Jl.
Vanili Jl.
Kapas Jl.
Kemenyan Jl.
Pinang Jl.
Nilan Title of manuscript is short and clear, implies research results (First Autho.
A P-ISSN : 9800-3456 Jl.
Tembakau Jl.
Nilam Raya
E-ISSN : 2675-9802
Menentukan Jumlah Cluster Pada tahap ini menetapkan sebanyak 2 .
cluster yang akan diterapkan dalam perhitungan manual K-Means yaitu cluster tinggi dan cluster rendah.
Menentukan Nilai Centroid Untuk mendapatkan nilai tengah pada centroid dari data, maka perlu membuat suatu ketentuan bahwa clusterisasi yang diinginkan adalah 2, penentuan cluster dibagi menjadi 2 yaitu cluster tingkat tinggi dan cluster tingkat rendah.
Untuk nilai titik cluster ditentukan dengan cara mengambil nilai terbesar .
untuk cluster tingkat tinggi, dan nilai terkecil .
untuk cluster tingkat rendah.
Nilai titik cluster dapat dilihat pada tabel 3.
2 di bawah ini.
Tabel 3.
2 Nilai titik cluster Tinggi(Ma.
Centroid Rendah(Mi.
Menghitung Jarak Centroid Untuk menghitung jarak titik centroid dengan titik tiap objek menggunakan Euclidian Distance.
Rumus untuk menghitung jarak dari Centroid adalah :
yayce = Oo.
cuycn Oe ycyc.
cycn Oe ycyc.
2 Menghitung jarak centroid 1 (Tingg.
dan Centroid 2 (Renda.
yaycuycyycn ycIycaycyca 1 = Oo.
1 Oe 2.
Oe .
2 =154.
yaycuycyycn ycIycaycyca 2 = Oo.
1 Oe .
Oe .
2 =1538.
yaycaycyceyc ycIycaycyca 1 = Oo.
2 Oe 2.
Oe .
2 =184.
yaycaycyceyc ycIycaycyca 2 = Oo.
2 Oe .
Oe .
2 =1509.
ycIycaycycnyc 1 = Oo.
3 Oe 2.
Oe .
2 =1027.
ycIycaycycnyc 2 = Oo.
3 Oe .
Oe .
2 =630.
yaycnycycn 1 = Oo.
6 Oe 2.
Oe .
2=705.
yaycnycycn 2 = Oo.
6 Oe .
Oe .
2 =953.
ycAycycnycyc 1 = Oo.
8 Oe 2.
Oe .
2 =1017.
ycAycycnycyc 2 = Oo.
8 Oe .
Oe .
2 =636.
yayceycuyciycoyceEa 1 = Oo.
6 Oe 2.
Oe .
2 =1358.
yayceycuyciycoyceEa 2 = Oo.
6 Oe .
Oe .
2 =298.
ycNyceEa 1 = Oo.
6 Oe 2.
Oe .
2 =813.
ycNyceEa 2 = Oo.
6 Oe .
Oe .
2 =843.
ycNyceycoycaycaycoycayc ycIycaycyca 1 = Oo.
2 Oe 2.
Oe .
2 =0 yayco.
ycNyceycoycaycaycoycayc ycIycaycyca 2 = Oo.
2 Oe .
Oe .
2=1654.
ycEycnycuycyc 1 = Oo.
6 Oe 2.
Oe .
2 =1021.
ycEycnycuycyc 2 = Oo.
6 Oe .
Oe .
2 =633.
yaycaEayce ycIycaycyca ycNycuycycayco 1 = Oo.
1 Oe 2.
Oe .
2 =1058.
Jurnal Cyber Tech Vol.
No.
September 201x : xx Ae xx
Jurnal Cyber Tech
P-ISSN : 9800-3456 E-ISSN : 2675-9802
yaycaEayce ycIycaycyca ycNycuycycayco 2 = Oo.
1 Oe .
Oe .
2 =598.
yaAycaycycaycuyci 1 = Oo.
7 Oe 2.
Oe .
2 =953.
yaAycaycycaycuyci 2 = Oo.
7 Oe .
Oe .
2 =704.
ycIycaycoycn 1 = Oo.
3 Oe 2.
Oe .
2 =891.
ycIycaycoycn 2 = Oo.
3 Oe .
Oe .
2 =762.
ycOycaycuycnycoycn 1 = Oo.
0 Oe 2.
Oe .
2 =939.
ycOycaycuycnycoycn 2 = Oo.
0 Oe .
Oe .
2 =717.
yaycaycyycayc 1 = Oo.
2 Oe 2.
Oe .
2 =1110.
yaycaycyycayc 2 = Oo.
2 Oe .
Oe .
2 =551.
yayceycoyceycuycycaycu 1 = Oo.
9 Oe 2.
Oe .
2 =1407.
yayceycoyceycuycycaycu 2 = Oo.
9 Oe .
Oe .
2 =246.
ycEycnycuycaycuyci 1 = Oo.
Oe 2.
Oe .
2 =1506.
ycEycnycuycaycuyci 2 = Oo.
Oe .
Oe .
2 =145.
ycAycnycoycayco 1 = Oo.
Oe 2.
Oe .
2=1654.
ycAycnycoycayco 2 = Oo.
Oe .
Oe .
2 =0 yayco.
ycNyceycoycaycaycoycayc 1 = Oo.
1 Oe 2.
Oe .
2 =426.
ycNyceycoycaycaycoycayc 2 = Oo.
1 Oe .
Oe .
2 =1229.
ycAycnycoycayco ycIycaycyca 1 = Oo.
0 Oe 2.
Oe .
2 =342.
ycAycnycoycayco ycIycaycyca 2 = Oo.
0 Oe .
Oe .
2 =1317.
Tabel 3.
Hasil Perhitungan iterasi-1 Jl.
Kopi Raya Jarak Terpendek Jl.
Karet Raya Jl.
Sawit Jl.
Kiwi Jl.
Nyiur Jl.
Cengkeh Jl.
Teh Jl.
Tembakau Raya Jl.
Pinus Jl.
Jahe Raya Tojak Jl.
Bawang Jl.
Rami Jl.
Vanili Jl.
Kapas Lingkungan Tinggi Rendah Title of manuscript is short and clear, implies research results (First Autho.
A P-ISSN : 9800-3456
E-ISSN : 2675-9802
Jl.
Kemenyan Jl.
Pinang Jl.
Nilam Jl.
Tembakau Jl.
Nilam Raya Menentukan Posisi Cluster Dalam menentukan posisi cluster berdasarkan tabel 3.
3, dapat dilakukan dengan mengikuti kenyataan Jika jarak nilai terpendek berada di kolom Tinggi diberi nilai 1 dan jika jarak terpendek berada di kolom Rendah maka pada tabel posisi cluster, kolom Rendah diberi nilai 1.
Nilai 1 hanya untuk simbolis atau pertanda bahwa pada kolom tersebut terdapat nilai jarak terpendek mewakili kolom tersebut.
Berikut tabel posisi kluster berdasarkan tabel 3.
Tabel 3.
Posisi Cluster Iterasi 1 Lingkungan Cluster Jl.
Kopi Raya Tinggi Jl.
Karet Raya Tinggi Jl.
Sawit Rendah Jl.
Kiwi Tinggi Jl.
Nyiur Rendah Jl.
Cengkeh Rendah Jl.
Teh Tinggi Jl.
Tembakau Raya Tinggi Jl.
Pinus Rendah Jl.
Jahe Raya Tojak Rendah Jl.
Bawang Rendah Jl.
Rami Rendah Jl.
Vanili Rendah Jl.
Kapas Rendah Jl.
Kemenyan Rendah Jl.
Pinang Rendah Jl.
Nilam Rendah Jl.
Tembakau Tinggi Jl.
Nilam Raya Tinggi Diperoleh dari hasil posisi cluster Tinggi berjumlah 6 data dan cluster Rendah Berjumlah 12 data.
Setelah mendapat perhitungan iterasi 1, maka selanjutnya menghitung iterasi yang kedua.
Dalam hal ini, nilai centroid yang digunakan berbeda, harus menghitung nilai centroid baru dengan cara menjumlahkan nilai cluster yang ada di kolom Tinggi dan Rendah setelah itu dibagi dengan jumlah data itu sendiri.
Berikut 2341 2312 1756 1646 2452 2031 2120
ycNycnycuyciyciycnycu = = 2094
34 21 29 141 23 75 57
ycNycnycuyciyciycnyc = = 54.
1433 1438 1096 1436 1401 1507
ycNycnycuyciyciycnycu = 1563 1520 1342 1049 948 803 = 1294.
Jurnal Cyber Tech Vol.
No.
September 201x : xx Ae xx
Jurnal Cyber Tech
P-ISSN : 9800-3456 E-ISSN : 2675-9802
12 8 56 65 37 14
68 26 125 23 12 = 38.
ycNycnycuyciyciycnyc = Nilai Tinggix merupakan nilai penjumlahan data awal yang berdasarkan nilai posisi cluster pada tabel 3.
disesuaikan dengan nilai 1, jika nilai 1 pada kolom Tinggi berada pada urutan 1 maka disesuaikan pada nilai data awal setelah itu dijumlahkan sebanyak nilai 1 yang ada pada kolom Tinggi dan seterusnya sama dengan Tinggiy.
Rendahx.
Rendahy.
Dari perhitungan diatas maka diperoleh hasil centroid baru sebagai 5 Nilai Centroid Baru Iterasi Ke 2 Tinggi(Ma.
Centroid Rendah(Mi.
Perhitungan iterasi ke-2 Perhitungan iterasi ke-2 dengan menggukan persamaan :
yayce = Oo.
cuycn Oe ycyc.
cycn Oe ycyc.
2 yayco.
yaycuycyycn ycIycaycyca 1 = Oo.
1 Oe 2.
Oe 54.
2 =247.
yaycuycyycn ycIycaycyca 2 = Oo.
1 Oe 1294.
Oe 38.
2 =1046.
yaycaycyceyc ycIycaycyca 1 = Oo.
2 Oe 2.
Oe 54.
2 =220.
yaycaycyceyc ycIycaycyca 2 = Oo.
2 Oe 1294.
Oe 38.
2 =1017.
ycIycaycycnyc 1 = Oo.
3 Oe 2.
Oe 54.
2 =662.
ycIycaycycnyc 2 = Oo.
3 Oe 1294.
Oe 38.
2 =140.
yaycnycycn 1 = Oo.
6 Oe 2.
Oe 54.
2 =339.
yaycnycycn 2 = Oo.
6 Oe 1294.
Oe 38.
2 =461.
ycAycycnycyc 1 = Oo.
8 Oe 2.
Oe 54.
2 =656
ycAycycnycyc 2 = Oo.
8 Oe 1294.
Oe 38.
2 =144.
yayceycuyciycoyceEa 1 = Oo.
6 Oe 2.
Oe 54.
2 =998.
yayceycuyciycoyceEa 2 = Oo.
6 Oe 1294.
Oe 38.
2 =200.
ycNyceEa 1 = Oo.
6 Oe 2.
Oe 54.
2 =448.
ycNyceEa 2 = Oo.
6 Oe 1294.
Oe 38.
2=351.
ycNyceycoycaycaycoycayc ycIycaycyca 1 = Oo.
2 Oe 2.
Oe 54.
2 =365.
ycNyceycoycaycaycoycayc ycIycaycyca 2 = Oo.
2 Oe 1294.
Oe 38.
2=1161.
ycEycnycuycyc 1 = Oo.
6 Oe 2.
Oe 54.
2 =658.
ycEycnycuycyc 2 = Oo.
6 Oe 1294.
Oe 38.
2 =141.
yaycaEayce ycIycaycyca ycNycuycycayco 1 = Oo.
1 Oe 2.
Oe 54.
2 =694.
yaycaEayce ycIycaycyca ycNycuycycayco 2 = Oo.
1 Oe 1294.
Oe 38.
2 =109.
yaAycaycycaycuyci 1 = Oo.
7 Oe 2.
Oe 54.
2 =588.
yaAycaycycaycuyci 2 = Oo.
7 Oe 1294.
Oe 38.
2 =213.
ycIycaycoycn 1 = Oo.
3 Oe 2.
Oe 54.
2 =531.
Title of manuscript is short and clear, implies research results (First Autho.
A P-ISSN : 9800-3456
E-ISSN : 2675-9802
ycIycaycoycn 2 = Oo.
3 Oe 1294.
Oe 38.
2 =269.
ycOycaycuycnycoycn 1 = Oo.
0 Oe 2.
Oe 54.
2 =574.
ycOycaycuycnycoycn 2 = Oo.
0 Oe 1294.
Oe 38.
2 =225.
yaycaycyycayc 1 = Oo.
2 Oe 2.
Oe 54.
2 =755.
yaycaycyycayc 2 = Oo.
2 Oe 1294.
Oe 38.
2 =98.
yayceycoyceycuycycaycu 1 = Oo.
9 Oe 2.
Oe 54.
2 =1045.
yayceycoyceycuycycaycu 2 = Oo.
9 Oe 1294.
Oe 38.
2 =246.
ycEycnycuycaycuyci 1 = Oo.
Oe 2.
Oe 54.
2 =1146.
ycEycnycuycaycuyci 2 = Oo.
Oe 1294.
Oe 38.
2 =347.
ycAycnycoycayco 1 = Oo.
Oe 2.
Oe 54.
2 =1291.
ycAycnycoycayco 2 = Oo.
Oe 1294.
Oe 38.
2 =492.
ycNyceycoycaycaycoycayc 1 = Oo.
1 Oe 2.
Oe 54.
2 =66.
ycNyceycoycaycaycoycayc 2 = Oo.
1 Oe 1294.
Oe 38.
2 =737.
ycAycnycoycayco ycIycaycyca 1 = Oo.
0 Oe 2.
Oe 54.
2 =26.
ycAycnycoycayco ycIycaycyca 2 = Oo.
0 Oe 1294.
Oe 38.
2 =825.
Tabel 3.
Hasil Perhitungan iterasi-2 Lingkungan Tinggi Rendah Jarak Terpendek Jl.
Kopi Raya Jl.
Karet Raya Jl.
Sawit Jl.
Kiwi Jl.
Nyiur Jl.
Cengkeh Jl.
Teh Jl.
Tembakau Raya Jl.
Pinus Jl.
Nilam Jl.
Tembakau Jl.
Nilam Raya Jl.
Jahe Raya Tojak Jl.
Bawang Jl.
Rami Jl.
Vanili Jl.
Kapas Jl.
Kemenyan Jl.
Pinang Jurnal Cyber Tech Vol.
No.
September 201x : xx Ae xx
Jurnal Cyber Tech
P-ISSN : 9800-3456 E-ISSN : 2675-9802
Tabel 3.
Posisi Cluster Iterasi 2 Lingkungan Cluster Jl.
Kopi Raya Tinggi Jl.
Karet Raya Tinggi Jl.
Sawit Rendah Jl.
Kiwi Tinggi Jl.
Nyiur Rendah Jl.
Cengkeh Rendah Jl.
Teh Rendah Jl.
Tembakau Raya Tinggi Jl.
Pinus Rendah Jl.
Jahe Raya Tojak Rendah Jl.
Bawang Rendah Jl.
Rami Rendah Jl.
Vanili Rendah Jl.
Kapas Rendah Jl.
Kemenyan Rendah Jl.
Pinang Rendah Diperoleh dari hasil posisi cluster 2 adalah Tinggi berjumlah 6 data dan Rendah Berjumlah 12 data.
Setelah mendapat perhitungan iterasi 2.
Berdasarkan tabel 3.
6 dan tabel 3.
4 dapat dilihat bawah posisi cluster 1 dan posisi cluster 2 memiliki nilai cluster yang sama dan tidak ada perubahan.
Sehingga proses perhitungan K-Means berhenti pada iterasi 2 karena iterasi 2 sama hasilnya dengan iterasi-1.
Kesimpulan perhitungan KMeans diatas menunjukkan ada 6 daerah/lingkungan yang memiliki potensi penyembaran DBD cluster tinggi dan 12 daerah penyebaran cluster rendah.
Pengujian Sebelum masuk kedalam aplikasi maka user harus melakukan login terlebih dahulu.
Dimana user harus menginput username dan password terlebih dahulu sesuai dengan database.
Gambar 3.
2 Form Login Jika login berhasil sistem akan menampilkan form menu utama.
Adapun fungsi-fungsi menu yang ada pada Halaman Utama yaitu Menu Dashboard.
Menu Input Data.
Menu Daftar Lingkungan.
Menu Tambah Lingkungan.
Menu Daftar Pasien.
Menu rekam medik, menu laporan, menu proses Algoritma KMeans, enu manajemen user.
Title of manuscript is short and clear, implies research results (First Autho.
10 A P-ISSN : 9800-3456
E-ISSN : 2675-9802
Gambar 3.
3 Halaman Menu Utama Tampilan halaman daftar lingkungan adalah sebuah halaman yang menampilkan data lingkungan yang sudah diinput Gambar 3.
4 Halaman Daftar Lingkungan Tampilan halaman tambah lingkungan adalah sebuah halaman yang menginput data lingkungan Gambar 3.
5 Halaman Tambah Lingkungan Halaman daftar pasien adalah sebuah halaman yang menampilkan daftar data pasien yang sudah diinput Jurnal Cyber Tech Vol.
No.
September 201x : xx Ae xx
Jurnal Cyber Tech
P-ISSN : 9800-3456 E-ISSN : 2675-9802
Gambar 3.
6 Halaman Daftar Pasien Tampilan halaman input pasien adalah sebuah halaman yang menginput data pasien Gambar 3.
7 Halaman Tambah Pasien Tampilan halaman Daftar Rekam Medik adalah sebuah halaman yang menampilkan data rekam medik yang sudah diinput.
Gambar 3.
8 Halaman Daftar Rekam Medik Tampilan halaman input rekam medik adalah sebuah halaman yang menginput data rekam medik Title of manuscript is short and clear, implies research results (First Autho.
12 A P-ISSN : 9800-3456
E-ISSN : 2675-9802
Gambar 3.
9 Halaman Input Rekam Medik Halaman Daftar User adalah sebuah halaman yang menampilkan data pendataan user yang sudah diinput Gambar 3.
10 Halaman Daftar User Tampilan halaman input User adalah sebuah halaman yang menginput data User.
Gambar 3.
11 Halaman Input User Tampilan halaman proses Algoritma K-Means adalah sebuah halaman yang menampilkan hasil proses Algoritma K-Means.
Jurnal Cyber Tech Vol.
No.
September 201x : xx Ae xx
Jurnal Cyber Tech
P-ISSN : 9800-3456 E-ISSN : 2675-9802
Gambar 3.
12 Halaman Proses Algoritma K-Means Tampilan halaman laporan pasien adalah halaman untuk mencetak laporan keluarga .
Gambar 3.
13 Halaman Laporan Pasien Tampilan halaman laporan rekam medik adalah halaman untuk mencetak laporan rekam medik Title of manuscript is short and clear, implies research results (First Autho.
14 A P-ISSN : 9800-3456
E-ISSN : 2675-9802
Gambar 3.
14 Halaman Laporan Rekam Medik Tampilan halaman laporan cluser penderita demam berdarah adalah halaman untuk mencetak laporan cluser penderita demam berdarah Gambar 3.
15 Halaman Laporan Cluser Penderita Demam Berdarah KESIMPULAN Berdasarkan hasil analisa dari permasalahan yang terjadi dengan kasus yang di bahas tentang Penerapan Data Mining Untuk Mengetahui Potensi Penyebaran Penyakit DBD Menggunakan Metode Algoritma K-Means terhadap sistem yang dirancang dan dibangun maka dapat ditarik kesimpulan sebagai Hasil dari evaluasi dari parameter-parameter yang mempunyai keterkaitan dengan kejadian DBD sehingga terbentuk cluster-cluster penyebaran penyakit DBD menggunakan Algoritma K-Means menggunakan dua cluster yaitu tinggi dan rendah.
Hasil dari pengelompokkan K-Means menggunakan dua cluster menunjukkan bahwa dari 19 lingkungan, 6 lingkungan merupakan anggota tinggi dan 13 lingkungan merupakan anggota rendah.
Untuk merancang Penerapan Data Mining Untuk Mengetahui Potensi Penyebaran Penyakit DBD Menggunakan Metode Algoritma K-Means yaitu dengan merancang Use Case diagram.
Activity Diagram.
Class Diagram.
Flowchart program kemudian merancang basis data dan interface dimana dalam merancang Use Case dan Activity dilakukan dengan merancang setiap Form yang ada.
UCAPAN TERIMA KASIH
Penulis mengucapkan terimakasih kepada program studi S1 Sistem Informasi STMIK Triguna Dharma yang telah memberikan dukungan dalam penyelesaian tulisan ini.
Jurnal Cyber Tech Vol.
No.
September 201x : xx Ae xx
Jurnal Cyber Tech
P-ISSN : 9800-3456 E-ISSN : 2675-9802
REFERENSI