Klasterisasi Persebaran Virus Corona (Covid-19) Di DKI Jakarta Menggunakan Metode K-Means

Achmad Solichin, Khansa Khairunnisa

Abstract

Abstrak

Corona virus (COVID-19) merupakan jenis virus baru yang ditemukan pada manusia di propinsi Wuhan, Cina pada bulan Desember 2019. Virus ini dapat menular dari manusia ke manusia melalui tetesan kecil (droplet) dari hidung atau mulut pada saat batuk, bersin, atau berbicara. Oleh karena itu, di masa pandemi ini sangat penting untuk menjaga jarak dengan orang lain dan menghindari wilayah dengan persebaran COVID-19 yang tinggi. Pada penelitian ini dilakukan klasterisasi persebaran virus Corona di DKI Jakarta dengan menerapkan metode data mining. Pengelompokan dilakukan berdasarkan parameter jumlah ODP, PDP, kasus Positif, pasien sembuh dan pasien meninggal. Pada penelitian ini, untuk melakukan klasterisasi data digunakan metode K-Means dan metode pengukuran jarak Euclidean. Penelitian ini menghasilkan prototipe aplikasi pengelompokan data persebaran pasien Covid-19. Berdasarkan pengujian, jumlah klaster yang direkomendasikan adalah 9 klaster. Hasil penelitian ini diharapkan dapat membantu pemerintah DKI Jakarta dalam mengambil keputusan strategis dalam mengurangi persebaran virus Corona di DKI Jakarta.

Kata kunci: corona, Jakarta, klasterisasi, k-means

 

Abstract

[Corona Virus (Covid-19) Clustering in Jakarta using K-Means Method] Coronavirus (COVID-19) is a new type of virus found in humans in the province of Wuhan, China in December 2019. This virus can be transmitted from person to person through small droplets from the nose or mouth when coughing, sneezing, or talking. Therefore, during this pandemic, it is very important to keep your distance from other people and avoid areas with a high spread of COVID-19 In this study, the distribution of the Coronavirus in DKI Jakarta was clustered by applying the data mining method. The clustering was carried out based on the parameters of the number of ODP, PDP, positive cases, patients recovered and patients died. In this study, to perform data clustering, the K-Means method, and the Euclidean distance measurement method were used. This study produced a prototype application for the distribution of Covid-19 patient distribution data. Based on the test, the recommended number of clusters is 9 clusters. The results of this study are expected to help the DKI Jakarta government in making strategic decisions in reducing the spread of the Coronavirus in DKI Jakarta.

Keywords: corona, Jakarta, clustering, k-means

Keywords

corona, jakarta, klasterisasi, k-means

Full Text:

PDF

Article Metrics

Abstract view : 159 times
PDF - 91 times

References

[1] WHO, “WHO Coronavirus Disease (COVID-19) Dashboard,” WHO, 2020. [Daring]. Tersedia pada: https://covid19.who.int/. [Diakses: 17-Sep-2020].

[2] W. Swastika, “Studi Awal Deteksi Covid-19 Menggunakan Citra CT Berbasis Deep Learning,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 3, hal. 629–634, 2020.

[3] Gugus Tugas Percepatan Penanganan COVID-19, “Peta Sebaran Covid-19,” covid19.go.id, 2020. [Daring]. Tersedia pada: https://covid19.go.id/peta-sebaran. [Diakses: 28-Jul-2020].

[4] V. Zarikas, S. G. Poulopoulos, Z. Gareiou, dan E. Zervas, “Clustering analysis of countries using the COVID-19 cases dataset,” Data Br., vol. 31, hal. 2352–3409, 2020.

[5] M. Azarafza, M. Azarafza, dan H. Akgün, “Clustering method for spread pattern analysis of corona-virus ( COVID-19 ) infection in Iran,” J. Appl. Sci. Eng. Technol. Educ, vol. 3, no. 1, hal. 1–6, 2020.

[6] G. D. Rembulan, T. Wijaya, D. Palullungan, K. N. Alfina, dan M. Qurthuby, “Kebijakan Pemerintah Mengenai Coronavirus Disease ( COVID-19 ) di Setiap Provinsi di Indonesia Berdasarkan Analisis Klaster Government Policy Regarding Coronavirus Disease ( COVID-19 ) in Each Province in Indonesia Based on Clustering Analysis,” J. Ind. Eng. Manag. Syst., vol. 13, no. 2, hal. 74–86, 2020.

[7] X. Wu et al., “Top 10 algorithms in data mining,” in Knowledge and Information Systems, 2008, vol. 14, no. 1, hal. 1–37.

[8] M. Z. Rodriguez et al., Clustering algorithms: A comparative approach, vol. 14, no. 1. 2019.

[9] H. Priyatman, F. Sajid, dan D. Haldivany, “Klasterisasi Menggunakan Algoritma K-Means Clustering untuk Memprediksi Waktu Kelulusan Mahasiswa,” J. Edukasi dan Penelit. Inform., vol. 5, no. 1, hal. 62, 2019.

[10] I. B. G. Sarasvananda, R. Wardoyo, dan A. K. Sari, “The K-Means Clustering Algorithm With Semantic Similarity To Estimate The Cost of Hospitalization,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 13, no. 4, hal. 313, 2019.

[11] Y. Darmi dan A. Setiawan, “Penerapan Metode Clustering K-Means dalam Pengelompokan Penjualan Produk,” J. Media Infotama, vol. 12, no. 2, hal. 148–157, 2016.

[12] M. Habibi dan P. W. Cahyo, “Clustering User Characteristics Based on the influence of Hashtags on the Instagram Platform,” Indones. J. Comput. Cybern. Syst., vol. 13, no. 4, hal. 399–408, 2019.

[13] L. Maulida, “Penerapan Datamining dalam Mengelompokkan Kunjungan Wisatawan ke Objek Wisata Unggulan di Prov. DKI Jakarta dengan K-Means,” JISKa (Jurnal Inform. Sunan Kalijaga), vol. 2, no. 3, hal. 167–174, 2018.

[14] Jakarta Open Data, “Data Kasus Positif Covid-19 Provinsi DKI Jakarta Tahun 2020,” data.jakarta.go.id, 2020. [Daring]. Tersedia pada: https://data.jakarta.go.id/dataset/data-kasus-positif-covid-19-dki-jakarta. [Diakses: 28-Jul-2020].

[15] A. Solichin, Pemrograman Web dengan PHP dan MySQL. Budi Luhur Press, 2016.

[16] I. Gunawan, G. Anggraeni, E. S. Rini, Y. M. Putri, dan Y. K. Zikri, “Klasterisasi provinsi di Indonesia berbasis perkembangan kasus Covid-19 menggunakan metode K-Medoids,” in Seminar Nasional Matematika dan Pendidikan Matematika (SENATIK), 2020, hal. 301–306.

Refbacks

  • There are currently no refbacks.