Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 130-139
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Implementasi Metode K-Medoids Clustering Dalam Pengelompokan Data Penyakit Alergi Pada Anak Haryati Ningrum 1.
Eka Irawan 2.
Muhammad Ridwan Lubis3 1,2STIKOM Tunas Bangsa.
Pematangsiantar.
Sumatera Utara.
Indonesia 3AMIK Tunas Bangsa.
Pematangsiantar.
Sumatera Utara.
Indonesia Jln.
Sudirman Blok A No.
1-3 Pematangsiantar.
Sumatera Utara 1haryatiningrum123@gmail.
com, 2eka.
irawan@amiktunasbangsa.
Abstract Allergies are an abnormal response from the immune system.
People who experience allergies have an immune system that reacts to a substance that is usually harmless in the environment.
There are two limitations in this study, namely, seafood allergy and air allergy.
In this study, the data used were sourced from the National Statistics Agency in 2011-2019.
This study uses data mining techniques in data processing with the k-medoids clustering method.
The k-medoids method is a clustering method that functions to split the dataset into several groups.
The advantages of this method are able to overcome the weaknesses of the k-means method which is sensitive to outliers.
Another advantage of this method is that the results of the clustering process do not depend on the order in which the dataset is entered.
This method can be applied to data on the percentage of children affected by allergies by province, so that it can be seen the grouping of provinces based on this From this grouping data obtained 3 clusters namely low cluster .
, medium cluster .
and high cluster .
from the percentage of allergy immunization under five in each province.
It is hoped that this research can provide information to the health department, especially the public health center regarding data grouping of Allergic Diseases in children in Indonesia which has an impact on equity in giving anti-allergic immunization to children in Indonesia.
Keywords: Data Mining.
K-Medoids Clustering.
Allergy Abstrak Alergi merupakan respon abnormal dari sistem kekebalan tubuh.
Orang yang mengalami alergi memiliki sistem kekebalan tubuh yang bereaksi terhadap suatu zat yang biasanya tidak berbahaya di Pembatasan pada penelitian ini terdapat dua penyebab alergi yaitu, alergi makanan laut dan alergi udara.
Pada penelitian ini data yang digunakan bersumber dari Badan Pusat Statistik Nasional tahun 2011-2019.
Penelitian ini menggunakan teknik data mining dalam proses pengolahan data dengan metode k-medoids clustering.
Metode k-medoids merupakan metode clustering yang berfungsi untuk memecah dataset menjadi beberapa kelompok.
Kelebihan dari metode ini mampu mengatasi kelemahan dari metode k-means yang sensitive terhadap outlier.
Kelebihan lain dari metode ini yaitu hasil proses clustering tidak bergantung pada urutan masuk dataset.
Metode ini dapat diterapkan pada data persentase anak yang terkena penyakit Alergi berdasarkan provinsi, sehingga dapat diketahui pengelompokkan provinsi berdasarkan data tersebut.
Dari data pengelompokan tersebut diperoleh 34 provinsi dengan menghasilkan 21 provinsi yakni cluster rendah, cluster sedang sebanyak 12 provinsi, dan cluster tinggi sebanyak 1 provinsi dari persentase imunisasi Alergi pada setiap provinsi.
Diharapkan penelitian ini dapat memberikan informasi kepada pihak dinas kesehatan terutama puskesmas tentang pengelompokan data Penyakit Alergi pada anak di Indonesia yang berdampak pada pemerataan dalam pemberian imunisasi anti alergi pada anak di Indonesia.
Kata Kunci: Data Mining.
K-Medoids Clustering.
Alergi
PENDAHULUAN
Penyakit alergi merupakan sistem kekebalan tubuhnya bereaksi secara berlebihan terhadap zat atau benda tertentu yang sebetulnya tidak berbahaya.
Implementasi K-Medoids Dalam Pengelompokan Data Penyakit Alergi Pada Anak (Haryati Ningru.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 130-139
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Kondisi ini cukup sering dialami oleh anak-anak dan jenisnya bisa bermacammacam, misalnya alergi kacang, alergi debu, alergi obat, atau alergi susu.
World Health Organization (WHO), sebagai organisasi kesehatan dunia di bawah PBB, memprediksi bahwa tingkat kejadian asma pada tahun 2025 akan mencapai angka 400 juta orang, dan kira-kira 50% diperkirakan akan menderita alergi makanan.
Angka kejadian kasus alergi pada anak terus meningkat dalam beberapa tahun terakhir.
Suatu riset yang dipublikasikan pada tahun 2019 menunjukkan bahwa sekitar 30Ae40% orang di seluruh dunia memiliki alergi dan kebanyakan kasus alergi ini ditemukan pada anak-anak.
Peningkatan angka kejadian kasus alergi diduga disebabkan oleh beberapa faktor, antara lain keturunan atau riwayat alergi dalam keluarga, pengaruh lingkungan, serta pola Dalam hal ini pemerintah harus berperan aktif dan berkomitmen untuk mengurangi penyakit alergi pada anak.
Oleh karena itu, untuk dapat memutuskan mata rantai penyakit alergi khususnya pada anak diperlukan imunisasi minimal 95%.
Untuk bisa mewujudkan hal ini pemerintah memerlukan data yang akurat untuk melakukan pengelompokkan data penderita penyakit alegri pada anak.
Data diperoleh dari BPS mengenai data persentasi penyakit alergi pada anak berdasarkan provinsi di Indonesia pada tahun 2011-2019.
Salah satu cara mengatasi masalah tersebut adalah dengan melakukan pengklasteran terhadap data anak penderita Alergi.
Tujuannya adalah untuk mengetahui Provinsi yang paling terbanyak penderita alergi pada anak.
Pengelompokkan tersebut dapat menggunakan metode pengelompokkan dengan algoritma K-Medoids.
Berdasarkan uraian diatas banyak cabang kecerdasan buatan dalam ilmu komputer yang dapat menyelesaikan permasalahan tersebut secara kompleks diantaranya sistem pendukung keputusan, sistem pakar, data mining dan lain Beberapa penelitian tentang data mining seperti: .
menunjukkan bahwa dengan penggunaan 2 cluster menghasilkan kelompok data dengan potensi yang dimiliki yaitu cluster 1 termasuk dalam potensi tinggi dengan hasil rata-rata brightness sebesar 344.
470K dengan rata-rata confidence 87.
08% dan cluster 2 masuk dalam potensi sedang dengan hasil rata-rata brightness sebesar 318.
dengan rata-rata confidence sebesar 58,73%.
Penelitian lainnya oleh (Defiyanti.
Jajuli & W 2.
K-medoids merupakan salah satu metode pengelompokkan dalam data mining yang merupakan bagian dari partitional clustering.
Metode ini menggunakan objek pada kumpulan objek untuk mewakili sebuah cluster.
AuKelebihan dari metode ini mampu mengatasi kelemahan dari metode k-medoids yang sensitive terhadap outlier dan hasil proses clustering tidak bergantung pada urutan masuk dataset Ay.
Penerapan Algoritma K-medoids dapat membantu dalam mengelompokkan data penderita penyakit alergi pada anak.
Dengan demikian pihak Dinas Kesehatan terutama puskesmas di provinsi tersebut dapat memberi perhatian lebih terhadap provinsi yang terbanyak penyakit alergi pada anak.
Diharapkan penelitian ini dapat membantu pihak Penyedia Layanan Kesehatan unutk mengurangi jumlah anak-anak yang menderita Alergi Kedepannya.
Implementasi K-Medoids Dalam Pengelompokan Data Penyakit Alergi Pada Anak (Haryati Ningru.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 130-139
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik METODOLOGI PENELITIAN Pengumpulan Data Penelitian ini dilakukan dengan mengambil data sebagai Sumber data penelitian yang diperoleh dari Badan Pusat Statistik Nasional dengan situs https://w.
Data yang digunakan dalam penelitian ini adalah data persentase Data penyakit alergi pada anak pada setiap provinsi dari tahun 20112019 yang terdiri dari 34 provinsi.
Tabel 1.
Data Persentase Penyakit Alergi Pada Anak Provinsi Aceh Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Kep.
Bangka Belitung Kep.
Riau
Dki Jakarta
Jawa Barat
Jawa Tengah Di Yogyakarta
Jawa Timur
Banten
Bali Nusa Tenggara Barat
Nusa Tenggara Timur
Kalimantan Barat
Kalimantan Tengah Kalimantan Selatan Kalimantan Timur
Kalimantan Utara
Sulawesi Utara
Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara
Gorontalo
Sulawesi Barat
Maluku Maluku Utara
Papua Barat
Papua
Penyakit Alergi Pada Anak
3,13
2,47
2,79
1,69
3,93
2,47
4,46
4,95
4,13
3,54
0,99
3,56
9,36
9,02
10,99
3,56
11,52
17,20
10,34
9,06
2,32
4,10
2,82
0,00
0,73
3,75
11,33
7,34
3,82
10,81
2,23
3,78
6,40
27,77
2,74
2,40
2,60
1,49
3,67
2,34
4,15
4,75
4,12
2,51
0,81
3,38
8,98
8,38
10,53
3,40
10,51
16,51
9,84
8,57
2,22
3,66
2,64
0,00
0,65
3,50
10,84
7,10
3,61
10,09
2,21
3,48
4,41
29,59
3,66
2,85
3,41
2,19
3,99
3,00
4,32
4,44
3,98
2,16
1,10
3,62
8,58
7,76
10,32
3,35
9,73
14,56
10,80
8,76
2,83
3,87
2,74
0,00
1,09
5,03
10,52
7,59
4,75
11,01
3,06
3,65
6,99
33,82
3,38
2,36
2,97
2,01
3,57
2,81
3,80
4,35
3,73
2,01
0,86
3,39
8,45
7,30
9,65
3,07
8,81
14,14
9,70
7,79
2,25
3,18
2,19
0,00
1,10
4,58
9,90
7,38
4,33
9,69
2,62
3,12
4,80
31,76
2,98
1,95
2,37
1,93
2,91
2,51
3,18
3,78
3,27
1,90
0,82
2,95
7,82
6,62
8,88
3,05
8,28
13,34
8,37
7,69
1,88
2,66
2,26
0,00
0,89
3,71
8,68
6,44
3,07
8,07
1,98
2,34
4,31
30,87
2,28
1,31
1,47
1,16
1,99
1,71
2,27
3,12
2,16
1,23
0,43
1,84
6,27
5,12
7,77
2,51
6,70
11,36
7,62
6,79
1,10
1,65
1,33
0,00
0,41
2,76
7,73
5,24
2,08
6,83
1,12
1,54
3,37
27,35
2,09
1,18
1,29
1,06
1,92
1,58
2,10
2,98
2,11
1,08
0,39
1,78
6,18
5,05
7,70
2,33
6,52
11,34
7,27
6,71
0,99
1,61
1,18
4,31
0,34
2,40
7,67
5,09
1,62
6,25
1,01
1,39
2,83
26,81
2,26
1,12
1,19
0,93
1,99
1,54
2,25
3,22
2,34
1,16
0,36
1,78
6,70
5,41
8,41
2,45
7,18
12,94
8,48
7,61
1,03
1,72
1,18
4,95
0,21
2,49
8,48
5,75
1,56
7,25
1,06
1,33
2,95
28,98
1,85
1,04
1,07
0,79
1,72
1,35
1,96
2,79
2,03
1,12
0,32
1,62
6,01
4,91
7,47
2,21
6,41
11,47
7,25
6,75
0,92
1,48
0,96
4,37
0,27
2,17
7,47
4,95
1,53
6,29
0,81
1,22
2,62
24,20
Metode Penelitian Data Mining Data Mining merupakan proses proses analitik yang dirancang untuk memeriksa sejumlah data yang besar dalam mencarisuatu pengetahuan tersembunyi yang berharga dan konsisten.
Ay .
Tujuan utama Data mining adalah untuk menemukan, menggali, atau menambang pengetahuan dari data atau Implementasi K-Medoids Dalam Pengelompokan Data Penyakit Alergi Pada Anak (Haryati Ningru.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 130-139
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik informasi yang kita miliki.
Data Mining sering juga disebut Knowledge discovery in database (KDD) merupakan meliputi kegiatan pengumpulan, pemakaian data historis menemukan pola atau hubungan dalam set data berukuran besar.
AuKeluaran dari data mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan.
Ay .
Clustering Clustering merupakan proses partisi sekumpulan objek data dari satu set menjadi beberapa kelas.
Ay.
Hal ini dapat dilakukan dengan menerapkan berbagai persamaan dan langkah-langkah mengenai jarak algoritma yaitu dengan Euclidean Distance.
Analisis kluster ialah metode yang dipakai untuk membagi rangkaian data menjadi beberapa grup berdasarkan kesamaan-kesamaan yang telah ditentukan sebelumnya.
Dalam menentukan cluster berdasarkan data yang telah tersedia dibutuhkan sebuah flowchart untuk memudahkan dalam menentukan alur perhitungan sebagai alur untuk menemukan hasil dari penerapan cluster terhadap data yang akan diproses.
Algoritma K-Medoids Menurut Listiyanti.
Youanda Alim Syahbana & Henim .
AyAlgoritma kmedoids adalah algoritma pengelompokkan yang berkaitan dengan algoritma kmedoids dan algoritma medoidshiftAy.
Algoritma k-medoids dikembangkan oleh Leonard Kaufman dan Peter J.
Rousseeuw pada tahun 1987.
Algoritma k-medoids sering disebut juga algoritma Partitoning Around Medoids (PAM).
Algoritma kmedoids memiliki kesamaan dengan algoritma k-medoids yaitu sama-sama termasuk algoritma partitioning.
Algoritma partitioning merupakan algoritma pengelompokan data ke dalam sejumlah cluster tanpa adanya struktur hirarki antara satu dengan yang lainnya.
Algoritma k-medoids memiliki keunggulan dibandingkan dengan algoritma k-medoids.
AuK-medoids memiliki kinerja yang lebih optimal jika jumlah data yang digunakan berjumlah sedikit.
Algoritma ini menggunakan objek pada kumpulan objek untuk mewakili sebuah cluster.
Objek yang terpilih untuk mewakili sebuah cluster disebut medoidsAy .
Beberapa langkah-langkah dalam perhitungan algoritma k-medoids adalah:
Inisialisasi pusat cluster sebanyak k .
umlah cluste.
Alokasikan setiap data .
ke cluster terdekat menggunakan persamaan ukuran jarak Euclidian Distance dengan persamaan:
dimana i=1,A.
,n.
j=1,A.
,n dan p adalah banyak variable, serta V adalah matrik varian kovarian.
Pilih secara acak objek pada masing-masing cluster sebagai kandidat medoids baru.
Hitung jarak setiap objek yang berada pada masing-masing cluster dengan kandidat medoids baru.
Implementasi K-Medoids Dalam Pengelompokan Data Penyakit Alergi Pada Anak (Haryati Ningru.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 130-139
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik .
Hitung total simpangan (S) dengan menghitung nilai total distance baru Ae total distance lama.
Jika S < 0, maka tukar objek dengan data cluster untuk membentuk sekumpulan k objek baru sebagai medoids.
Ulangi langkah 3 sampai 5 hingga tidak terjadi perubahan medoids, sehingga didapatkan cluster beserta anggota cluster masing-masing HASIL DAN PEMBAHASAN Perhitungan Menggunakan Algoritma K-Medoids Langkah-langkah metode k-medoids clustering diantaranya:
Inisialisasi pusat cluster sebanyak k .
umlah cluste.
Untuk Tabel Medoid awal asumsikan centroid awal yang telah ditentukan seperti pada tabel 2.
Tabel 2.
Tabel Medoid Awal Nama Provinsi
Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara
3,75
11,33
7,34
3,50
10,84
7,10
5,03
10,52
7,59
4,58
9,90
7,38
3,71
8,68
6,44
2,76
7,73
5,24
2,40
7,67
5,09
2,49
8,48
5,75
2,17
7,47
4,95
Alokasikan setiap data .
ke cluster terdekat menggunakan persamaan ukuran jarak Euclidian Distance dengan persamaan:
dimana i=1,A.
,n.
j=1,A.
,n dan p adalah banyak variable, serta V adalah matrik varian kovarian.
Menghitung nilai jarak terdekat .
dengan persamaan Euclidian Distance.
= 2,30
= 19,65
= 10,94
Hasil dari keseluruhan dapat diihat pada tabel 3 sebagai berikut :
Tabel 3.
Hasil Perhitungan Algoritma K-Medoids Iterasi ke-1 Data Ke I Aceh Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Jarak ke medoids 2,30 19,65 10,94 4,73 22,13 13,46 3,81 21,29 12,61 5,90 23,37 14,67 2,02 19,06 10,42 3,88 21,32 12,62 1,66 18,11 9,49 Terdekat 2,30 4,73 3,81 5,90 2,02 3,88 1,66 Klaster yang Implementasi K-Medoids Dalam Pengelompokan Data Penyakit Alergi Pada Anak (Haryati Ningru.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 130-139
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Data Ke I U Lampung Kep.
Bangka Belitung Kep.
Riau
Papua
Jumlah Total Cost
Jarak ke medoids 2,19 16,20 7,58 1,74 18,34 9,70 5,11 22,09 13,50 U
77,14
59,89
68,36
327,51 581,98 416,70
1326,18
Terdekat 2,19 1,74 5,11 U
59,89
Klaster yang U Setelah didapatkan hasil jarak dari setiap objek .
pada iterasi ke-1 maka lanjut ke iterasi ke-2.
Kandidat medoid baru.
on-medoi.
pada iterasi ke-2 dapat dilihat pada tabel sebagai berikut:
Tabel 4.
Tabel Medoids Baru Nama Provinsi Gorontalo Sulawesi Barat Maluku 3,82 10,81 2,23 3,61 10,09 2,21 4,75 11,01 3,06 4,33 9,69 2,62 3,07 8,07 1,98 2,08 6,83 1,12 1,62 6,25 1,01 1,56 7,25 1,06 1,53 6,29 0,81 Hitung kembali jarak dari setiap objek pada iterasi ke-2 dengan menggunakan medoid baru.
Maka didapatkan hasil keseluruhannya dari iterasi ke-2 dapat dilihat pada tabel 3.
sebagai berikut:
Tabel 5.
Hasil Perhitungan Algoritma K-Medoids Iterasi ke-2 Data Ke I U Aceh Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Kep.
Bangka Belitung Kep.
Riau
Papua
Jumlah Total Cost
Jarak ke medoids 2,05 17,76 2,84 3,64 20,19 0,57 2,65 19,32 1,07 4,94 21,47 1,40 1,23 17,11 3,31 3,05 19,42 1,26 1,45 16,15 4,29 3,23 14,35 6,20 1,57 16,41 4,05 4,01 20,19 1,77
78,47
61,90
81,93
327,74 537,90 359,68
1225,31
Terdekat 2,05 0,57 1,07 1,40 1,23 1,26 1,45 3,23 1,57 1,77 61,90 Klaster yang U .
Hitung Total Simpangan (S) Setelah didapatkan nilai jarak antara iterasi ke-1 dan iterasi ke-2, hitung total simpangan (S) dengan mencari selisih dari nilai total cost baru- nilai total cost Dengan ketentuan jika S<0, maka tukar nilai objek dengan menentukan medoid baru.
S = Total cost baru Ae Total cost lama Implementasi K-Medoids Dalam Pengelompokan Data Penyakit Alergi Pada Anak (Haryati Ningru.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 130-139
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik = 1225,31 Ae 1326,18 = -100,88 .
Ulangi langkah sebelumnya hingga S>0, sehingga didapatkan cluster beserta anggota cluster masing-masing.
Dengan mengasumsikan objek yang telah ditentukan sebagai non medoids sebagai berikut:
Tabel 6.
Non Medoids Baru Nama Keterangan Maluku Utara
Papua Barat
Papua
3,78
6,40
27,77
3,48
4,41
29,59
3,65
6,99
33,82
3,12
4,80
31,76
2,34
4,31
30,87
1,54
3,37
27,35
1,39
2,83
26,81
1,33
2,95
28,98
1,22
2,62
24,20
Dengan langkah yang sama seperti sebelumnya untuk menentukan jarak dari setiap objek pada iterasi ke-3.
Hasil keseluruhan iterasi ke-3 dapat dilihat pada tabel 3.
sebagai berikut:
Tabel 7.
Data Perhitungan Algoritma K-Medoids Hasil Iterasi ke-3 Data Ke I U Aceh Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Kep.
Bangka Belitung Kep.
Riau
Papua
Jumlah Total Cost
Jarak ke medoids 1,94 5,58 79,21 2,10 7,81 81,77 1,38 6,91 80,91 3,53 9,09 82,93 1,37 4,86 78,76 1,92 7,13 80,89 2,23 3,99 77,83 4,27 3,06 75,91 2,11 4,38 78,05 2,21 7,86 81,84
80,04
74,41
0,00
329,77 350,94 2382,86
3063,56
Terdekat 1,94 2,10 1,38 3,53 1,37 1,92 2,23 3,06 2,11 2,21 0,00 Klaster yang U Setelah didapatkan nilai jarak iterasi ke-3, hitung total simpangan (S) dengan mencari selisih dari nilai total cost baru- nilai total cost lama.
Dengan ketentuan jika S<0, maka tukar nilai objek dengan menentukan medoid baru.
S =Total cost baru Ae Total cost lama = 3063,56 - 1225,31 = 1838,25 Dengan nilai S>0 proses cluster dihentikan, sehingga diperoleh anggota tiap cluster dapat dilihat pada tabel 4.
9 sebagai berikut.
Tabel 8.
Hasil Pengklasteran Dengan K-Medoids Clustering Data Ke I Aceh Jarak ke medoids 1,94 5,58 79,21 Terdekat 1,94 Klaster yang Implementasi K-Medoids Dalam Pengelompokan Data Penyakit Alergi Pada Anak (Haryati Ningru.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 130-139
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Data Ke I Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Kep.
Bangka Belitung Kep.
Riau
Dki Jakarta
Jawa Barat
Jawa Tengah Di Yogyakarta
Jawa Timur
Banten
Bali Nusa Tenggara Barat
Nusa Tenggara Timur
Kalimantan Barat
Kalimantan Tengah Kalimantan Selatan Kalimantan Timur
Kalimantan Utara
Sulawesi Utara
Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara
Gorontalo
Sulawesi Barat
Maluku Maluku Utara
Papua Barat
Papua
Jarak ke medoids 2,10 7,81 81,77 1,38 6,91 80,91 3,53 9,09 82,93 1,37 4,86 78,76 1,92 7,13 80,89 2,23 3,99 77,83 4,27 3,06 75,91 2,11 4,38 78,05 2,21 7,86 81,84 5,73 11,46 85,36 1,05 5,49 79,35 15,53 10,15 64,60 12,67 7,35 67,54 19,99 14,51 60,18 2,17 5,32 78,75 18,11 12,64 62,25 33,86 28,35 46,75
19,32 13,78 60,79
16,01 10,65 64,18
2,43
8,14 82,14
0,75
5,31 79,35
1,87
7,60 81,58
9,43
13,10 83,53
5,88
11,60 85,47
3,27
3,62 77,14
20,31 14,82 59,89
11,71
6,45 68,36
1,93
4,51 78,47
18,32 12,71 61,90
2,30
7,94 81,93
0,00
5,97 80,04
5,97
0,00 74,41
80,04 74,41 0,00
Terdekat 2,10 1,38 3,53 1,37 1,92 2,23 3,06 2,11 2,21 5,73 1,05 10,15 7,35 14,51 2,17 12,64 28,35 13,78 10,65 2,43 0,75 1,87 9,43 5,88 3,27 14,82 6,45 1,93 12,71 2,30
0,00
0,00
0,00
Klaster yang Dari hasil perhiungan k-medoids diperoreh sebanyak 1 provinsi sebagai cluster tinggi, 12 provinsi sebagai cluster menengah dan 21 provinsi sebagai cluser Pengujian Data Menggunakan Tools Rapidminer Untuk mendapatkan hasil berupa pengelompokkan maka pada tahap selanjutnya dilakukan pengelompokan data menggunakan Tools Rapidminer.
Hasil akhir yang akan ditampilkan adalah berupa pengelompokkan dimana hasil dari pengujian data akan tampak cluster dengan masing-masing anggota.
Tampak pada gambar 1 sebagai berikut:
Implementasi K-Medoids Dalam Pengelompokan Data Penyakit Alergi Pada Anak (Haryati Ningru.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 130-139
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Gambar 1.
Hasil Pengelompokkan Pada gambar 1 dapat dilihat bahwa terdapat 3 warna yang berbeda dimana cluster 0 berwarna hijau, cluster 1 berwarna merah, dan cluster 2 berwarna biru.
Dari gambar diatas dapat dilihat bahwa diperoleh 1 provinsi .
pada cluster tertinggi, 12 provinsi (Lampung.
Jawa Tengah.
Yogyakarta.
Jawa Timur.
Bali.
NTB.
NTT.
Kalimantan Barat.
Kalimantan Tengah.
Kalimantan Selatan.
Kalimantan Barat.
Sulawesi Tengah.
Sulawesi Selatan.
Sulawesi Barat, dan papua bara.
pada cluster 21 provinsi (Aceh.
Sumatera Utara.
Sumatera Utara.
Riau.
Jambi.
Sumatera Selatan.
Bengkulu.
Bangka Belitung.
Kep.
Riau.
DKI Jakarta.
Jawa Barat.
Banten.
Kalimantan Tengah.
Kalimantan Selatan.
Kalimantan Timur.
Kalimantan Utara.
Sulawesi Utara.
Sulawesi tengah.
Gorontalo.
Maluku.
Maluku Utar.
pada cluster rendah.
SIMPULAN
Berdasarkan pembahasan pada bab sebelumnya dapat disimpulkan bahwa:
Penerapan data mining dengan metode k-medoids clustering dapat diterapkan.
Sumber data yang digunakan pada penelitian ini adalah w.
id dengan subjek data Penyakit Alergi Pada Anak berdasarkan provinsi .
Jumlah record yang digunakan sebanyak 34 provinsi dengan menghasilkan 21 cluster yakni cluster rendah sebanyak 12 provinsi cluster sedang sebanyak dan cluster tinggi sebanyak 1 provinsi.
Berdasarkan hasil pengujian k-medoids untuk kasus persentase data Penyakit Alergi Pada Anak menggunakan tools Rapidminer diperoleh hasil yang sama dengan analisis perhitungan metode dimana diperoleh 21 provinsi dengan cluster rendah yang menjadi pusat perhatian bagi pemerintah terutama Bagi Dinas Kesehatan dalam melakukan sosialisasi dan pemerataan dalam pemberian imunisasi Untuk Anak yang terkena Alergi pada provinsi tersebut.
DAFTAR PUSTAKA