KLUSTERISASI JUMLAH PENDERITA DEMAM BERDARAH DI KOTA INDONESIA MENGGUNAKAN ALGORITMA K-MEAN

Bibit Sudarsono; Umi addillah; Ayuni Asistyasari; Yosep Nuryaman

doi:10.70746/jstunsada.v12i1.334

Authors

Bibit Sudarsono Jurusan Sistem Informasi Universitas Bina Sarana Informatika Jl. Kramat Raya No. 98 Senen. Jakarta Pusat
Umi addillah Jurusan Sistem Informasi Universitas Bina Sarana Informatika Jl. Kramat Raya No. 98 Senen. Jakarta Pusat
Ayuni Asistyasari Jurusan Sistem Informasi Universitas Bina Sarana Informatika Jl. Kramat Raya No. 98 Senen. Jakarta Pusat
Yosep Nuryaman Jurusan Sistem Informasi Universitas Bina Sarana Informatika Jl. Kramat Raya No. 98 Senen. Jakarta Pusat

DOI:

https://doi.org/10.70746/jstunsada.v12i1.334

Keywords:

Kmean, Data mining, Deman berdarah

Abstract

Salah satu penyakit paling menakutkan yang tiap tahunnya menyerang penduduk di wilayah Indonesia yaitu Penyakit Demam Berdarah Dengue (DBD). Penyakit Demam Berdarah Dengue (DBD) adalah penyakit yang ditularkan oleh jenis nyamuk Aedes aegypti. Penyakit yang penularannya cepat dan mudah ini perlu perencanaan khusus agar pencegahannya lebih optimal. Namun berdasarkan data yang dipublikasikan oleh BPS, terdapat lebih dari 100.000 penderita setiap tahunnya. Oleh sebab itu perlu pembagian atau pengklusteran terhadap kota-kota di Indonesia menjadi kota menjadi beberapa kluster untuk melihat kota yang menjadi prioritas utama dan sebagaiannya. Algoritma K-Mean merupakan algoritma yang mampu mengklusterisasi data. Berdasarkan penelitian-penelitian sebelumnya maka dilakukan perhitungan data penderita DBD menggunakan Algoritma K-Mean. Dan hasil akhri penelitian dengan rasio 0,000107574 dimana Jawa Tengah, Jawa Timur dan Jawa Barat masuk dalam C3 sehingga memiliki prioritas yang sangat tinggi dalam penanganan DBD.

References

1. Syamsir & Daramusseng. A, 2018, Analisi Spasial Efektivitas Fogging di Wilayah Kerja Puskesmas Makroman, Kota Samarinda.. Jurnal Nasional Ilmu Kesehatan, vol. 1, no. 2,. 2018, pp. 1-7
2. Badan Pusat Statistik, Jumlah Kasus Penyakit. Badan Pusat Statistik (bps.go.id). Diakses tanggal 20 Juli 2022.
3. G. Gustientiedina, M. H. Adiya, and Y. Desnelita, Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan, J. Nas. Teknol. dan Sist. Inf., vol. 5, no. 1, pp. 17–24, 2019, doi: 10.25077/teknosi.v5i1.2019.17-24
4. Nuryaman, Y, 2017, Komparasi Algoritma Kmean dan Ahc untuk Klasifikasi Curah Hujan di Indonesia, Ikraith Informatika, vol. 2, no. 2, 1 Jul. 2018, pp. 70-75.
5. Deny , S., Agus , R., & Yushar , K, 2020, Analisis Penentuan Tipe Fondasi Pilar Jembatan Dengan Menggunakan Metode Analytical Hierarchy Process (AHP) (Studi Kasus: Pembangunan Jembatan Walahar Kecamatan Ciampel, Kabupaten Karawang)
6. Armaita, Dedi , H., Eri , B., Indang , D., & Iswandi, U, 2020, Policy Model of Community Adaptation using AHP in the Malaria Endemic Region of Lahat Regency -Indonesia. International Journal of Management and Humanities (IJMH), 44-48.