ISSN: 2597-3851
DOI: https://doi.
org/10.
35747/hmj.
Homepage: https://journal.
id/index.
php/healthy Analisis Gejala Covid-19 di RSUD Yogyakarta dengan Menggunakan Metode K-Means.
Fuzzy C-Means dan K-Medoid Clustering Kathina Deswi Aqsa1*.
Uswatun Hasanah2 .
Urai Amanda1 1Program Studi Farmasi.
Sekolah Tinggi Ilmu Kesehatan (STIKe.
Sambas.
Kalimantan Barat 79462.
Indonesia 2 Program Studi Farmasi.
Fakultas Sains.
Institut Teknologi Sumatera.
Sumatera Selatan 35365.
Indonesia *email: kety.
deswiaqsa16@gmail.
ABSTRACT
At the end of 2019, precisely in December, there was a discovery of a new disease originating from a virus, namely The purpose of this study was to group patients based on covid-19 symptoms using clustering with the KMeans.
Fuzzy C-Means and K-Medoid algorithms at the Regional Public Hospital in the Special Region of Yogyakarta and see the comparison of the best algorithms.
The data used are 5 .
medical record data of patients from Yogyakarta Regional Public Hospitals, including inpatients at Yogyakarta City Hospital, inpatients at Sleman Hospital, inpatients at Wates Hospital, inpatients at Panembahan Senopati Hospital and inpatients at Wonosari Hospital for the 2020-2021 period using the proportional random sampling technique.
The results obtained in this study, medical record data from 1066 patients selected into 622 patients have an optimal cluster of 2 clusters, using the K-Means algorithm, cluster 1 is moderate severity and cluster 2 is severe severity.
Cluster evaluation was carried out with the Davies Bouldin Index (DBI) value on the KMeans algorithm 3.
Based on the results of the study from the smallest DBI value, it can be concluded that the cluster uses the optimal K-Means algorithm.
Keywords: Cluster.
Covid-19.
Tingkat Keparahan.
K-Means.
Fuzzy C-Means.
K-Medoid Received: May 2025.
Accepted: June 2025.
Published: June 2025 A2025.
Published by Institute for Research and Innovation Universitas Muhammadiyah Banjarmasin.
This is Open Access article under the CC-BY-SA License .
ttp://creativecommons.
org/licenses/by-sa/4.
0/).
LATAR BELAKANG
Pada akhir tahun 2019, kota Wuhan di China menjadi fokus perhatian dunia karena wabah penyakit pernapasan yaitu Coronavirus.
Coronavirus ini memiliki gejala demam (>90%), malaise, batuk kering .
%), sesak napas .
%) serta adanya gangguan pernapasan .
%).
Tanda vital lainnya stabil namun terjadi leukopenia dan limfopenia .
Menurut pedoman tatalaksana covid-19 edisi 4 di Indonesia gejala covid-19 dibagi menjadi 5 yaitu tanpa gejala, ringan, sedang, berat dan kritis .
Beberapa penelitian telah dilakukan di Indonesia terkait penyebaran covid-19 menggunakan algoritma K-Means dengan provinsi di Indonesia di kelompokkan berdasarkan data kasus positif, meninggal dan sembuh variabel yang digunakan adalah kasus positif dan kasus meninggal per tanggal 19 April 2020 menghasilkan 3 cluster provinsi di Indonesia .
Pengelompokkan covid-19 dengan algoritma K-means dengan memasukkan data dari umur, jenis kelamin, penyakit penyerta yang mengelompokkan menjadi ringan, sedang dan berat .
Tidak hanya itu terdapat algoritma lainnya seperti Fuzzy Clustering Methode (FCM) dengan mengetahui tingkat risiko Covid-19 berdasarkan beberapa variabel penentu di Provinsi Daerah Istimewa Yogyakarta (DIY) diperoleh 2 cluster terbaik yaitu AuRisiko TinggiAy dan AuRisiko RendahAy .
Pada algoritma K-Medoid mengelompokkan aplikasi menggunakan menghasilkan 2 cluster yaitu aplikasi yang disukai dan tidak disukai.
Pada penelitian ini menyebutkan K-Medoid lebih baik daripada K-Means K-Medoid Healthy-Mu Journal.
Vol.
9 No.
Juni 2025.
Page 48 Ae 56 e-ISSN: 2598-2095 ketidaksamaan objek data .
Pengumpulan Data Data yang digunakan ialah data pasien covid-19 Senada dengan penelitian sebelumnya, penelitian dengan variabel usia .
, jenis kelamin .
, gejala ini bertujuan untuk mengelompokkan gejala covid-19 .
, komorbid .
, komplikasi .
, nilai RR .
, menggunakan clustering dengan algoritma K-Means, suhu .
SpO2 .
, leukosit .
, limfosit .
D- Fuzzy C-Means dan K-Medoid.
di RSUD Provinsi dimer .
, vitamin C .
, vitamin D .
Yogyakarta dengan melihat perbandingan algoritma Adapun parameter pembanding algoritma antikoagulan .
, terapi simptomatik .
dengan menggunakan metode Davies Bouldin Index Pre-Processing Data (DBI).
Jumlah cluster yang dipilih adalah jumlah cluster dengan nilai DBI terkecil .
, .
, .
Mengubah data kategorik menjadi data numeric.
Selanjutnya dilakukan pembersihan data dilakukan yang bertujuan menghilangkan data yang tidak valid
METODE
atau tidak lengkap.
Normalisasi data dilakukan Metode yang digunakan adalah observasional analitik dengan desain kohort.
Pengambilan data secara retrospektif menggunakan data rekam medis pasien covid-19 di RSUD Provinsi Daerah Istimewa Yogyakarta (DIY) (RSUD Kota Yogyakarta.
RSUD Sleman.
RSUD Wates.
RSUD Panembahan Senopati dan RSUD Wonosar.
Teknik pengambilan sampel propotional random sampling sebanyak 1066 pasien diseleksi menjadi 622 pasien berdasarkan kriteria inklusi yaitu pasien terkonfirmasi covid-19 usia Ou 18 tahun, pasien tercatat menjalani rawat inap di 5 RSUD Provinsi DIY, pasien memiliki rekam medis Kriteria ekslusi yaitu pasien yang memiliki data rekam medis tidak terbaca dengan jelas, pasien hamil dan menyusui.
Analisis menggunakan algoritma Fuzzy C-Means (FCM).
K-Means dan K-Medoid dengan menggunakan Z-Score membuat nilai dari tiap variabel menjadi bentuk data rasional yang setara.
Menentukan jumlah cluster yang Penentuan .
membandingkan nilai DBI setiap pembagian cluster.
Melihat nilai k terkecil dari DBI.
Melakukan Clusterisasi Menggunakan metode K-Means dan selanjutnya dilakukan clustering menggunakan pemprograman Python.
Analisis Hasil Cluster Melihat karakteristik atau distribusi tiap variabel dari masing-masing cluster yang diperoleh.
Evaluasi Nilai Davies Bouldin Index (DBI) Evaluasi
DBI
persamaan berikut :
yayaAya = ya Ocya ycn=1 ycoycaycu ycn=.
cIycn,y.
bahasa pemrograman Python.
Selanjutnya dianalisis Keterangan:
k merupakan jumlah cluster yang digunakan, nilai Ri,j adalah terbaik dengan melihat nilai Davies Bouldin Index (DBI).
Adapun langkah untuk clusterisasi adalah sebagai berikut:
rasio perbandingan antara cluster ke-I dan cluster ke-j.
Semakin kecil nilai DBI yang diperoleh .
on negative Ou.
, maka semakin optimal cluster tersebut.
Adapun rumus untuk mencari nilai DBI adalah sebagai berikut .
Healthy-Mu Journal.
Vol.
9 No.
Juni 2025.
Page 48 Ae 56 Mencari SSW dengan rumus :
yeCycn ycIycIycOycn = Oc ya.
cuyc , ycaycn ) yc=1 Keterangan :
yeCycn ycn : jumlah data dalam cluster ke-ycn ycU O data dalam cluster ycuyc : data pada cluster tersebut ya.
cu, yc.
: jarak data ke centroid ycuyc O data pada cluster tersebut ycaycn O ycayceycuycycycuycnycc ycaycoycycycyceyc ycoyce Oe ycn Mencari SSB dengan rumus :
ycIycIyaAycnyc = ycc.
caycn , ycayc ) Keterangan :
ycaycn : cluster 1 ycayc : cluster lainnya ycc.
caycn , ycayc ) O jarak antara centroid sat dengan lainnya Mencari rasio dengan rumus :
ycIycnyc = Keterangan :
ycIycIycOycn ycIycIycOyc ycIycIyaAycnyc ycIycnyc : rasio antar cluster ycIycIycOycn : cluster 1 ycIycIycOyc : cluster 2 ycIycIyaAycnyc : Separasi dari cluster 1 dan 2 Mencari DBI dengan rumus :
yayaAya = Ocya ycn=1 ycoycaycu yuE O yc.
cIycn,y.
ya Keterangan :
ya: cluster yang ada ycIycnyc : Rasio antara cluster ycn dan yc ycIycIycOycn : Dicari rasio antar cluster yang terbesar HASIL DAN PEMBAHASAN Analisis Cluster Berdasarkan algoriitma K-Means dari 622 pasien dapat dikelompokkan 2 cluster berdasarkan nilai DBI terkecil (Tabel .
Tabel 1.
Hasil Analisis Algoritma K-Means Cluster Menggunakan Variabel Jumlah Cluster 1 Cluster 2 Usia .
A <50 tahun A Ou 50 tahun Jenis Kelamin Hasil Uji Korelasi e-ISSN: 2598-2095 A Laki-laki A Perempuan Diagnosa Komplikasi A Tanpa Komplikasi A Ada Komplikasi 1 Komorbid A Tanpa Komorbid A Ada Komorbid Gejala A Tanpa Gejala A 1-3 Gejala A 4-6 Gejala Tanda Vital A EuRR Normal Tidak Normal A Suhu Normal Tidak Normal A SpO2 Normal Ae Ringan Sedang Berat A Leukosit Normal Tidak Normal A Limfosit Normal Tidak Normal A D-dimer Normal Tidak Normal A Vit C Tidak A Vit D Tidak A Antibiotik Tidak A Antivirus Tidak Steroid Tidak A Antikoagulan Tidak A Simptomatik Tidak Healthy-Mu Journal.
Vol.
9 No.
Juni 2025.
Page 48 Ae 56 e-ISSN: 2598-2095 Pada algoritma K-Means variabel yang lebih dominan yaitu gejala pada Gambar 1.
Gambar 1.
Plot Hasil Sebaran Cluster Menggunakan Algoritma K-Means Pada Gambar 2 menunjukkan plot sebaran data dari hasil cluster dengan menggunakan algoritma K- Means, menunjukkan cluster 1 sedangkan warna kuning menunjukkan cluster 2.
Sebaran plot gambar 4 menunjukkan bahwa cluster 1 dan cluster 2 terpisah dan pembentukan cluster jelas.
Pada penelitian ini Diagnosa
Komplikasi
A Tanpa Komplikasi
A Ada Komplikasi
Komorbid
A Tanpa Komorbid
A Ada Komorbid
Gejala
A Tanpa Gejala
A 1-3 Gejala
A 4-6 Gejala
Tanda Vital
A RR
Normal Tidak Normal A Suhu Normal Tidak Normal A SpO2 Normal Ae Ringan Sedang Berat A Leukosit Normal Tidak Normal A Limfosit Normal Tidak Normal D-dimer menggunakan evaluas nilai Davies Bouldin Index (DBI).
Dilihat dari nilai terkecil DBI pada algoritma K- Means yaitu 3,4839.
Semakin kecil nilai DB Index mendekati nilai 0 menunjukan cluster yang paling optimal .
Selanjutnya Nilai Silhouette Coefficient berada pada rentan (-.
Semakin tinggi nilai A A sillhoutte maka akan berpengaruh ke hasil yang lebih Pada penelitian ini menghasilkan urutan pertama nilai sillhoutte coefficient yang baik ialai K-Means Pada Fuzzy A A C-Means menunjukkan 2 hasil cluster pada Tabel 2 di bawah ini.
Tabel 2.
Hasil Analisis Algoritma Fuzzy C-Means A Variabel Usia .
A <50 tahun A Ou 50 tahun Jenis Kelamin A Laki-laki A Perempuan Cluster Jumlah Cluster 1 Cluster 2 Menggunakan Hasil Uji Korelasi Normal Tidak Normal Vitamin C Tidak Vitamin D Tidak Antibiotik Tidak Antivirus Tidak Steroid Tidak Antikoagulan Tidak Simptomatik Tidak Pada tabel 2 dapat dijelaskan hal-hal sebagai Cluster 1 terdiri dari 306 pasien dan cluster 2 terdiri dari 316 pasien.
Pada cluster 1 didominasi oleh Healthy-Mu Journal.
Vol.
9 No.
Juni 2025.
Page 48 Ae 56 e-ISSN: 2598-2095 perempuan, dengan usia lebih dominan lansia yakni Ou Berdasarkan hasil uji korelasi Pearson, variabel 50 tahun, tidak memiliki penyakit penyerta atau yang berkorelasi terhadap hasil cluster yaitu .
komorbid, gejala yang dialami dominan lebih sering 1- saturasi oksigen (SpO.
, .
nilai RR .
, .
3 gejala serta nilai saturasi oksigen normal-ringan terapi antikoagulan .
, .
terapi steroid .
yaitu O95% .
Pada cluster 1 untuk tanda vital seperti .
, .
, .
laju pernapasan mengalami takipnea/laju pernapasan .
, .
, .
terapi tinggi dengan suhu normal .
idak dema.
Pada uji simptomatik .
, .
nilai D-dimer .
hematologi seperti nilai leukosit cluster 1 normal, terapi antibiotik .
, .
terapi vitamin C (-0,.
, namun nilai limfosit menurun .
, untuk .
terapi vitamin D (-0,.
, .
jenis kelamin uji D-dimer cenderung tinggi.
Pada penggunaan terapi 0,.
, .
kadar limfosit (-0,.
, .
terapi antivirus khusus cluster 1 pengobatan yang diberikan ialah (-0,.
gejala (-0,.
vitamin C, vitamin D, antibiotik, antivirus, terapi Nilai korelasi merupakan salah satu cara untuk simptomatik, tanpa steroid dan tanpa antikoagulan.
mengukur tingkat korelasi dengan hasil cluster .
luster Pada cluster 2 total pasien sejumlah 316 orang 1 dan cluster .
Nilai korelasi berkisar dari -1 sampai dengan mayoritas berjenis kelamin laki-laki , usia 1, semakin negatif nilai korelasinya menunjukan paling dominan Ou50 tahun, memiliki komplikasi bahwa semakin besar variabel tersebut ditempatkan di Nilai korelasi positif menunjukkan bahwa ditemukannya 1-3 gejala Covid-19.
Untuk tanda vital semakin besar variabel tersebut ditempatkan pada pada pasien cluster 2 ialah nilai RR lebih tinggi atau penyerta/komorbid, mengalami takipnea, saturasi oksigen sedang 93-95% Pada penelitian ini juga mengukur kualitas cluster namun tidak demam.
Pada uji hematologi pasien menggunakan Davies Bouldin Index (DBI) dimana seperti nilai leukosit pada cluster 2 normal tidak evaluasi DBI ini bertujuan melihat kualitas cluster mnegalami kenaikan namun kadar limfosit menurun terbaik dengan cara melihat nilai DBI.
Semakin kecil .
dan kadar D-dimer tinggi.
Pada terapi nilai DBI hingga mendekati 0 artinya pembagian jumlah cluster juga semakin baik.
Pada algoritma vitamin D, vitamin C, antibiotik, antivirus, steroid.
Fuzzy C-Means didapat nilai terkecil DBI pada cluster antikoagulan serta terapi simptomatik.
Berdasarkan 2 yaitu hasil analisis XIX dapat dilihat bahwa pada cluster 1 menunjukkan klaster 1 sedangkan warna kuning lebih banyak pasien dengan gejala sedang.
menunjukkan klaster 2.
Sebaran plot pasien covid-19 Pada cluster 2 ialah kelompok pasien dengan gejala Terlihat pada gambar warna biru Fuzzy C-Means dilihat dari perbedaan saturasi oksigen yang memisahkan klaster 1 dan klaster 2 dan pembentukan lebih rendah, memiliki riwayat komorbid, usia diatas cluster jelas.
Berdasarkan nilai evaluasi Sillhoute Ou50 tahun serta penggunaan terapi steroid serta Coefficient dengan nilai tertinggi 0,07.
Nilai koefisien antikoagulan yang mengindikasikan gejala Covid-19 siluet berkisar antara -1 hingga 1, di mana nilai yang berat sesuai dengan pedoman tatalaksana Covid-19 lebih tinggi menunjukkan pengelompokan yang lebih .
Healthy-Mu Journal.
Vol.
9 No.
Juni 2025.
Page 48 Ae 56 e-ISSN: 2598-2095 604874 Terlihat pada gambar 3 tersebut warna biru menunjukkan klaster 2.
Namun pada sebaran plot menunjukkan bahwa klaster 1 dan klaster 2 tidak terpisah dengan baik.
Hal ini menyebabkan hasil klaster pasien covid-19 dengan algoritma K-Medoid sulit di identifikasi karakteristiknya.
Karakteristik Pasien Covid-19 Hasil penelitian ini didapatkan 2 cluster hasil analisis alogoritma K-Means yang terdiri dari cluster 1 Gambar 2.
Plot Hasil Sebaran Cluster Menggunakan gejala sedang Algoritma Fuzzy C-Means variabel jenis kelamin penelitian ini dominan laki-laki, dan cluster 2 gejala berat.
Pada Pada Gambar 2 menunjukkan plot sebaran data hal ini sejalan dengan penelitian meta-analisis yang hasil clusterisasi menggunakan algoritma Fuzzy C- mengumpukan data dari 59.
254 dari 11 negara yang Means.
Terlihat pada gambar warna biru menunjukkan berbeda menunjukkan jenis kelamin laki-laki lebih cluster 1 sedangkan warna kuning menunjukkan tinggi pada pasien Covid-19 .
Banyaknya jenis Sebaran plot pasien Covid-19 menggunakan kelamin laki-laki bisa dipengaruhi oleh aspek hormon algoritma Fuzzy C-Means dapat memisahkan cluster 1 seperti lebih tingginya ekspresi kadar reseptor ACE-2 dan cluster 2 dan pembentukan cluster jelas.
yang dapat mempengaruhi meningkatkan viral load Pada penelitian ini juga menggunakan algoritma Covid-19 pada populasi laki-laki .
Pada aspek K-Medoid.
Berikut gambar 3 plot hasil sebaran cluster sosial seperti laki-laki lebih cenderung beraktivitas di menggunakan Algoritma K-Medoid.
luar ketimbang perempuan sebagai contoh mencari nafkah hal ini memungkinkan tertularnya virus Covid19 dan faktor lain seperti merokok menyebabkan peningkatan komorbiditas pada jenis kelamin laki-laki .
Pada usia lanjut Ou50 tahun beresiko terjadi Covid19 hal ini sejalan dengan penelitian yang menjelaskan usia >50 tahun memiliki risiko lebih tinggi mortalitas dikarenakan terdapat hubungan tingkat imunitas alami yang menurun memiliki kecenderungan untuk mudah terinfeksi .
Sistem kekebalan tubuh melemah dengan bertambahnya usia, membuat lansia lebih sulit Gambar 3.
Plot Hasil Sebaran Cluster Menggunakan untuk melawan infeksi sehingga apabila peradangan Algoritma K-Medoid terjadi bisa lebih hebat yang dapat menyebabkan Berdasarkan hasil analisis cluster menggunakan K- kerusakan organ .
Medoid diperolah 2 cluster yang optimal dengan nilai Adanya komorbid pada pasien Covid-19 dapat silhoutte coefficient sebesar 0.
Pada algoritma K- menyebabkan risiko lebih tinggi berkembangnya Medoid didapat nilai terkecil DBI pada klaster 2 yaitu kejadian serius yaitu pasien masuk ruang ICU, intubasi Healthy-Mu Journal.
Vol.
9 No.
Juni 2025.
Page 48 Ae 56 e-ISSN: 2598-2095 mekanis hingga kematian .
Pada penelitian di perubahan nilai leukosit yang meningkat dikarenakan Wuhan China, pasien Covid-19 banyak pasien yang neutrophil dan sel Natural Killer (NK) hingga variasi hipertensi .
%).
DM .
%), gangguan jantung produksi antibody dari sel B .
Pada pasien Covid- .
%) serta dilaporkan 2 atau lebih penyakit penyerta 19 terjadi penuruan limfosit, hal ini sejalan dengan lebih sering terlihat pada kasus yang parah sebnayak penelitiana meta-analisis pasien dengan hasil yang 40% .
Pada pasien Covid-19 dengan komplikasi buruk memiliki nilai limfosit yang rendah dengan nilai memiliki pencetus pasien menjadi gejala kearah berat.
p value <0,01 .
Penurunan yang menunjukkan Sistem pernapasan dan paru-paru adalah komplikasi bawah virus Covid-19 mempengaruhi sel imun dan menghambat fungsi sistem imun seluler.
Melemahnya komplikasi kardiovaskuler, hati, ginjal, gastrointestinal respon sel T dipengaruhi oleh sel Dendritik (DC) yang dan syaraf pusat .
Jumlah gejala yang dimiliki matang bermigrasi ke organ limfoid karena penting untuk pengaktifan sel T, hal ini yang menyebabkan Covid-19 Covid-19 keparahan Covid-19.
terjadi limfositopenia .
Pada tanda vital seperti laju pernapasan .
ilai RR) Pada terapi pasien Covid-19 diberikan vitamin C, vitamin D, antibiotik, antivirus, antikoagulan, steroid mengidentifikasi terjadinya infeksi saluran pernapasan dan terapi simptomatik sesuai dengan pedoman khusunya Covid-19 dengan tanda nilai RR>20x .
tatalaksana Covid-19 edisi 4 yaitu tahun 2022 .
Kedua suhu tubuh, faktor resiko terkait dengan Covid- Pada algoritma K-Means berdasarkan variabel 19 yang paling banyak ialah demam .
Hal iini gejala yang lebih banyak adalah 1-3 gejala.
Pada sejalan dengan penelitian sistematik dan meta-analisis penelitian ini pasien Covid-19 lebih banyak mengalami yang didapatkan secara keseluruhan pasien dewasa 1-3 gejala Covid-19 dikarenakan saat masuk rumah mengalami demam sebanyak 79,43% .
Pada sakit gejala paling banyak yaitu demam, batuk dan memiliki zat pirogen yang terbagi 2 yakni sesak napas.
Hal ini sejalan dengan penelitian di Korea pirogen eksogen dari luar tubuh dan pirogen endogen Selatan sebanyak 5.
628 pasien banyak mengalami seperti IL-1.
IL-6.
TNF-alpha dan IFN yang bersumber demam 23,1% dan batuk 41,6%.
dari monosit, neutrophil dan limfosit.
Tanda vital Penilaian kualitas cluster dievaluasi dari nilai DBI.
lainnya seperti nilai saturasi oksigen yang merupakan Semakin kecil nilai DBI mendekati nilai 0 menunjukkan predictor kuat kematian pasien Covid-19 yang dapat cluster yang optimal.
Berdasarkan nilai DBI K-Means dilihat dari kadar saturasi oksigen yang rendah pada adalah 3,48.
Nilai Silhouette Coefficient berada pada Saturasi oksigen rendah berhubungan dengan rentan (-.
Semakin tinggi nilai sillhoutte inflamasi, penuruan fungsi organ, lama rawat inap maka akan berpengaruh ke hasil yang lebih baik.
Pada pasien terutama pada rawatan di ICU .
Penelitian penelitian ini menghasilkan urutan pertama nilai kohort retrospektif pasien Covid-19 yang mengalami sillhoutte coefficient yang baik ialah K-Means sebesar kematian memiliki saturasi oksigen yang rendah 07 selanjutnya Fuzzy C-Means sebesar 0.
070 dan dibawah 90% .
terakhir K-Medoid sebesar 0.
Pada penelitian ini Pada pasien Covid-19, uji hematologi seperti leukosit pada gejala rendah hingga tinggi terjadi K-means mengelompokkan data besar dengan sangat cepat.
Healthy-Mu Journal.
Vol.
9 No.
Juni 2025.
Page 48 Ae 56 e-ISSN: 2598-2095 Pada data mining oleh Ie algoritma K-means diakui Qual sebagai salah dari 10 algoritma teratas .
Selain itu Available from: https://doi.
org/10.
1007/s11135- K-Means juga mempunyai tingkat ketelitian yang 021-01176-w Quant [Interne.
Armstrong JJ.
Zhu M.
Hirdes JP.
Stolee P.
K-means algoritma ini efisien serta relatif lebih terukur untuk cluster analysis of rehabilitation service users in the pengolahan objek dalam jumlah yang besar .
home health care system of Ontario: Examining the heterogeneity of a complex geriatric population.
KESIMPULAN
Arch Berdasarkan hasil penelitian dapat disimpulkan bahwa pengelompokkan pasien Covid-19 berdasarkan Phys Med Rehabil [Interne.
:2198Ae205.
Available from: http:// org/10.
1016/j.
K-Means Cristyani E.
Tarigan B.
Artika R.
Febriawan MR, menghasilkan 2 cluster yaitu sedang dan berat.
Hasil Muna KN.
Covid-19 Risk Mapping with the Fuzzy C- evaluasi cluster menurut nilai DBI yaitu 3.
48 dan Means Method in DIY Province.
Proc Internat Conf berdasarkan sillhoutte coefficient yang baik ialah K- Sci Engin.
4(Februar.
:259Ae65.
Samudi S.
Widodo S.
Brawijaya H.
The K-Medoids Means sebesar 0.
Clustering Method for Learning Applications during the COVID-19 Pandemic.
SinkrOn.
:116.
SARAN
Bedasarkan hasil penelitian perlu ditambahkan Wijaya YA.
Kurniady DA.
Setyanto E.
Tarihoran WS, variabel yang lebih mendukung seperti menilai Rusmana D.
Rahim R.
Davies Bouldin Index koagulapati pasien dan marker inflamasi APTT.
CT- Algorithm for Optimizing Clustering Case Studies Scan.
LED.
CRP untuk memudahkan pembagian Mapping School Facilities.
TEM J.
tingkat keparahan Covid-19.
:1099Ae103.
Di S.
Utara S.
Optimasi Jumlah Cluster Metode KMedoids.
(Jul.
DAFTAR PUSTAKA