Implementasi Fuzzy C-Means untuk Pengelompokan Daerah berdasarkan Persebaran Penularan Covid-19
DOI:
https://doi.org/10.25126/jtiik.20231015796Abstrak
Peningkatan kasus Covid-19 di Indonesia memberikan rasa khawatir bagi hampir seluruh masyarakat, Dilihat dari persebaran tiap provinsi untuk kasus positif, sembuh, dan meninggal tidak menunjukkan sebuah grafik yang linier. Seperti pada data harian kasus per provinsi di akhir bulan April 2021 dimana kasus positif dan sembuh terbanyak terdapat pada Provinsi DKI Jakarta, untuk kasus meninggal Provinsi Jawa Timur berada di posisi pertama, dan di posisi empat untuk kasus positif dan meninggal. Data persebaran yang abstrak ini membuat pengelompokan persebaran Covid-19 di Indonesia menjadi sukar untuk dilakukan. Penelitian ini mengelompokkan provinsi-provinsi berdasarkan persebaran Covid-19 di Indonesia dengan cara mengimplementasikan metode Fuzzy C-means serta metode Elbow. Fuzzy C-means adalah metode pengelompokan berbasis fuzzy yang dapat melakukan persebaran data pada seluruh cluster berdasarkan derajat keanggotaan yang dimilikinya. Sedangkan untuk menentukan jumlah cluster terbaik akan diimplementasikan metode Elbow. Metode Elbow membandingkan perbandingan hasil sum square error (SSE) dari setiap cluster dan mendapatkan jumlah cluster terbaik dari perubahan nilai SSE yang signifikan atau membentuk siku (elbow). Penggunaan Fuzzy c-means sebagai metode pengelompokan untuk mencari tahu seberapa besar pengaruh yang dimiliki setiap data terhadap masing-masing cluster. Karera metode-metode sebelumnya yang digunakan pada objek yang sama hanya melakukan pengelompokan saja secara tegas, tanpa memperhatikan besarnya pengaruh sebuah data terhadap seluruh cluster. Pengelompokan dilakukan menjadi tiga buah cluster atau kelompok berdasarkan parameter kasus positif, sembuh, dan meninggal Covid-19 per 27 April 2021. Cluster 1 hanya terdiri tiga provinsi yaitu Jawa Barat, Jawa Tengah, dan Jawa Timur. Cluster 2 DKI Jakarta, dan sisanya masuk ke cluster 3.
Abstract
The increase in Covid-19 cases in Indonesia raises concerns for all parties, When viewed for the distribution of each province, positive, recovered and dead cases do not show a linear graph. As in the daily data of cases per province at the end of April 2021 where the most positive and recovered cases were in DKI Jakarta Province, while for dead cases, East Java Province was in first position, and in fourth position for positive and dead cases. This abstract distribution data makes it difficult to classify the distribution of Covid-19 in Indonesia. This study will group provinces based on the spread of Covid-19 in Indonesia using the Fuzzy C-means method and the Elbow method. Fuzzy C-means is a fuzzy-based grouping method that allows all data to be members of all clusters formed with their respective degrees of membership. Meanwhile, to determine the best number of clusters, the Elbow method will be implemented. The Elbow method compares the sum square error (SSE) results from each cluster and gets the best number of clusters from a significant change in the SSE value or forms an elbow. The use of Fuzzy c-means as a grouping method to find out how much influence each data has on each cluster. Because the previous methods used on the same object only grouped it explicitly, without paying attention to the effect of one data on the entire cluster. The grouping was carried out into three clusters or groups based on the parameters of positive cases, recovered, and died of Covid-19 as of 27 April 2021. Cluster 1 only consisted of three provinces, namely West Java, Central Java, and East Java. Cluster 2 DKI Jakarta, and the rest go to cluster 3. It takes a grouping test to determine how accurate the results are.
Downloads
Referensi
ABDULLAH, D., SUSILO, S., AHMAR, A.S., RUSLI, R. dan HIDAYAT, R., 2021. The application of K-means clustering for province clustering in Indonesia of the risk of the COVID-19 pandemic based on COVID-19 data. Quality & Quantity, hal.1–9.
ABIJONO, H., SANTOSO, P. dan ANGGREINI, N.L., 2021. Algoritma Supervised Learning Dan Unsupervised Learning Dalam Pengolahan Data. Jurnal Teknologi Terapan: G-Tech, 4(2), hal.315–318.
ASKARI, S., 2021. Fuzzy C-Means clustering algorithm for data with unequal cluster sizes and contaminated with noise and outliers: Review and development. Expert Systems with Applications, 165, hal.113856.
FUADAH, A.W., ARIFIN, F.N. dan JUWITA, O., 2021. Optimasi K-Klasterisasi Ketahanan Pangan Kabupaten Jember Menggunakan Metode Elbow. INFORMAL: Informatics Journal, 6(3), hal.136–141.
HARDIANTI, A. dan AGUSHINTA R, D., 2020. Universitas Darma Persada Menggunakan Metode Clustering K-Means Pattern Analysis of the Student Study Period in the Faculty of Engineering At Darma Persada University Using K-Means. Jurnal Teknologi Informasi dan Ilmu Komputer, 7(4), hal.861–868.
ISHAK, R. dan BENGNGA, A., 2022. Clustering Tingkat Pemahaman Mahasiswa Pada Perkuliahan Probabilitas Statistika Dengan Metode K-Means. Jambura Journal of Electrical and Electronics Engineering, 4(1), hal.65–69.
KOMITE PENANGANAN COVID-19 dan PEMULIHAN EKONOMI NASIONAL, 2021. Data Sebaran COVID-19 di Indonesia. [daring] https://covid19.go.id/. Tersedia pada: <https://covid19.go.id/>.
KUSUMADEWI, S. dan PURNOMO, H., 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu.
PICKENS, A. dan SENGUPTA, S., 2021. Benchmarking Studies Aimed at Clustering and Classification Tasks Using K-Means, Fuzzy C-Means and Evolutionary Neural Networks. Machine Learning and Knowledge Extraction, 3(3), hal.695–719.
PUTRI, A.Q., SENJALIANA, F. dan RIADI, R.A., 2020. Pengelompokan provinsi terdampak pandemi covid-19 di Indonesia. In: Seminar Nasional Matematika dan Pendidikan Matematika (5th SENATIK). hal.342–351.
SARI, D.N.P. dan SUKESTIYARNO, Y.L., 2021. Analisis cluster dengan metode K-Means pada persebaran kasus COVID-19 berdasarkan Provinsi di Indonesia. In: PRISMA, Prosiding Seminar Nasional Matematika. hal.602–610.
SINDI, S., NINGSE, W.O.R., SIHOMBING, I.A., ZER, F.I.R.H. dan HARTAMA, D., 2020. Analisis algoritma k-medoids clustering dalam pengelompokan penyebaran covid-19 di indonesia. Jurnal Teknologi Informasi, 4(1), hal.166–173.
SOLICHIN, A. dan KHAIRUNNISA, K., 2020. Klasterisasi Persebaran Virus Corona (Covid-19) Di DKI Jakarta Menggunakan Metode K-Means. Fountain of Informatics Journal, 5(2), hal.52.
SYARIF, R., FURQON, M.T. dan ADINUGROHO, S., 2018. Perbandingan Algoritme K-Means Dengan Algoritme Fuzzy C Means ( FCM ) Dalam Clustering Moda Transportasi Berbasis GPS. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, [daring] 2(10), hal.4107–4115. Tersedia pada: <http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/2852>.
UTOMO, W., 2021. The comparison of k-means and k-medoids algorithms for clustering the spread of the covid-19 outbreak in Indonesia. Ilk. J. Ilm, 13(1), hal.31–35.
WINARTA, A. dan KURNIAWAN, W.J., 2021. Optimasi cluster K-means menggunakan metode Elbow pada data pengguna narkoba dengan pemrograman Python. JTIK (Jurnal Teknik Informatika Kaputama), 5(1), hal.113–119.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
