Clustering Fasilitas Kesehatan Berdasarkan Kecamatan Di Karawang Dengan Algoritma K-Means

  • Bagus Muhammad Islami Ilmu Komputer; Universitas Singaperbangsa Karawang
  • Cepy Sukmayadi Ilmu Komputer; Universitas Singaperbangsa Karawang
  • Tesa Nur Padilah Ilmu Komputer; Universitas Singaperbangsa Karawang

Abstract

Abstrak: Masalah kesehatan yang ada di dalam masyarakat terutama di negara- negara berkembang seperti Indonesia dipengaruhi oleh dua faktor yaitu aspek fisik dan aspek non fisik. Berdasarkan data yang diperoleh dari karawangkab.bps.go.id data dibagi menjadi 3 cluster yaitu sedikit, sedang dan terbanyak. Algoritma yang digunakan adalah K-Means cluster yang diimplementsikan menggunakan Microsoft Excel dan Rapidminer Studio. Hasil pengolahan data fasilitas kesehatan di karawang menghasilkan 3 cluster dengan cluster 1 yang mempunyai fasilitas kesehatan sedikit sebanyak 23 kecamatan, cluster 2 yang mempunyai fasilitas kesehatan sedang sebanyak 5 kecamatan dan cluster 3 yang mempunyai fasilitas kesehatan terbanyak terdapat 2 kecamatan. Kinerja yang dihasilkan dari algoritma K-means menghasilkan nilai Davies Boildin Index sebesar 0,109.
 
Kata kunci: clustering, data mining, fasilitas kesehatan, K-Means.
 
Abstract: Health problems that exist in society, especially in developing countries like Indonesia, are built by two factors, namely physical and non-physical aspects. Based on data obtained from karawangkab.bps.go.id the data is divided into 3 clusters, namely the least, medium and the most. The algorithm used is the K-Means cluster which is implemented using Microsoft Excel and Rapidminer Studio. The results of data processing of health facilities in Karawang produce 3 clusters with cluster 1 which has 23 sub-districts of health facilities, cluster 2 which has medium health facilities as many as 5 districts and cluster 3 which has the most health facilities in 2 districts. The performance resulting from the K-means algorithm results in a Davies Boildin Index value of 0.109.
 
Keywords: clustering, data mining, health facilities, K-Means.

References

[1] Mayangsarim, Sekar D.S., Solikhun & Irawan. Pengelompokkan Jumlah Desa/Kelurahan yang Memiliki Sarana Kesehatan menurut Provinsi dengan Menggunakan Metode K-Means Cluster. Konferensi Nasional Teknologi Informasi dan Komputer (KOMIK), vol. 3, pp. 370-377, 2019.
[2] Sadewo & Gading M. Pemanfaatan Algoritma Clustering dalam Mengelompokkan Jumlah Desa/Kelurahan yang Memiliki Sarana Kesehatan Menurut Provinsi dengan K-Means. Konferensi Nasional Teknologi Informasi dan Komputer (KOMIK), vol. 1, pp. 124-131, 2017.
[3] Han, J., Kamber, M. & Pei, J. Data mining: concepts and techniques Third Edition. Morgan Kaufmann Publishers, San Francisco, 2011.
[4] Hantoro, Kusdarnowo., Andi S. & Siti A. Pencarian Lokasi Perumahan Berdekatan dengan Fasilitas Kesehatan dan Belanja menggunakan Algoritma K-Means. Jurnal IKRA-ITH Informatika, vol 4, pp.25-34, 2020.
[5] Silitonga, Parasian D.P & Damanik R. Implementasi Algoritma K-Means Clustering pada Analisis Penyebaran Penynakit Pasien Pengguna Badan Penyelenggara Jaminan Sosial Kesehatan (BPS). Jurnal Teknik Informatika Unika St. Thomas (JTIUST), vol. 1, pp. 37-41, 2016.
[6] Supriyatna A., Carolina I., Widiati W. & Nuraeni C. Rice Productivity Analysis by Province Using K-Means Cluster Algorithm. IOP Conf. Ser. Mater. Sci. Eng., vol. 771, p. 012025, 2020.
[7] Supriyatna A., Carolina I., Janti S., & Haidir A. Clustering Koridor Transjakarta Berdasarkan Jumlah Penumpang Dengan Algoritma K-Means. Jurnal Sains Komputer & Informatika (J-SAKTI), vol. 4, pp. 682-693, 2020.
[8] R. Setiawan, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering untuk Menentukan Strategi Promosi Mahasiswa Baru (Studi Kasus: Politeknik LP3I Jakarta),” J. Lentera ICT, vol. 3, no. 1, pp. 76–92, 2016.
[9] Y. Mardi, “Data Mining: Klasifikasi Menggunakan Algoritma C4.5,” J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2017.
[10] A. F. Lestari and M. Hafiz, “Penerapan Algoritma Apriori Pada Data Penjualan Barbar Warehouse,” J. INOVTEK Polbeng Seri Inform., vol. 5, no. 1, pp. 96–105, 2020.
[11] Mustofa Z, Suasana IS. Algoritma Clustering K-Medoids pada E-Government Bidang Information and Communication Technology Dalam Penentuan Status EDGI. Jurnal Teknologi Informasi dan Komunikasi, vol. 9, no. 1, pp. 1-10, 2018
[12] Jain Y K, Bhandare S K. Min Max Normalization Based Data Perturbation Method for Privacy Protection. International Journal of Computer & Communication Technology (IJCCT), vol. 3, no. 4, pp. 45-50, 2014.
[13] Aditya KB, Diyah, Setiawan Y. Sistem Informasi Geografis Pemetaan Faktor-Faktor Yang Mempengaruhi Angka Kematian Ibu (Aki) Dan Angka Kematian Bayi (AKB) Dengan Metode K-Means Clustering (Studi Kasus: Provinsi Bengkulu). Jurnal Teknik Informatika, vol. 10, no. 1, pp. 59-66, 2017
[14] Raval, UR. and Chaita J. Implementing & Improvisation of K-means Clustering Algorithm. International Journal of Computer Science and Mobile Computing, vol.5 no.5, pp. 191-203, 2016.
Published
2021-06-29
How to Cite
ISLAMI, Bagus Muhammad; SUKMAYADI, Cepy; PADILAH, Tesa Nur. Clustering Fasilitas Kesehatan Berdasarkan Kecamatan Di Karawang Dengan Algoritma K-Means. BINA INSANI ICT JOURNAL, [S.l.], v. 8, n. 1, p. 83-92, june 2021. ISSN 2527-9777. Available at: <http://ejournal-binainsani.ac.id/index.php/BIICT/article/view/1488>. Date accessed: 23 oct. 2021. doi: https://doi.org/10.51211/biict.v8i1.1488.