ADDITIONAL MENU
KLASTERISASI PENYEBARAN VIRUS CORONA (COVID-19) DI INDONESIA MENGGUNAKAN METODE K-MEANS
Abstract
Coronavirus Disease 2019 (COVID-19) or commonly called the Corona virus is a new virus that was first confirmed to appear on December 31, 2019. In Indonesia, all of its 34 provinces have confirmed positive cases of the virus. In this study, clustering of the spread of COVID-19 was carried out as an input for the government for a better, focused handling of COVID-19 for all provinces in Indonesia. Clustering is carried out based on the parameters of total positive cases, total cases of death, Recovery Index, Case Fatality Ratio, tracking and isolation ratio, total cases of people under surveillance completed, cumulative total cases of patients under surveillance, population density, and poverty line. In this study, K-means method was used to cluster data. Based on the Elbow test, the recommended number of clusters is three, which can be translated as high, medium, and low risk clusters. The results of this study are expected to be a comparison to updated data, as well as consideration for the government's better performance in handling COVID-19 more effectively and efficiently.
Keywords: COVID-19, clustering, K-means
References
Handayani, D., Hadi, D.R., Isbaniah, F., Burhan, E., Agustin, H. (2020). COVID-19 virus disease 2019. Jurnal Respirologi Indonesia. 40(2): 119129.
Putri, R.N. (2020). Indonesia dalam menghadapi pandemi COVID-19. Jurnal Ilmiah Universitas Batanghari Jambi. 20(2): 705709.
Hayati, H.N., Yoedtadi, M.G. (2020). Konstruksi berita COVID-19 di Kompas. com dan Tribunnews. com. Koneksi. 4(2): 243250.
Indraputra, R.A., Fitriana, R. (2020). K-Means clustering data COVID-19. Jurnal Teknik Industri. 10(3): 275282.
Rahmi, N.S. (2020). Mapping tingkat kerawanan COVID-19 dan faktor akselerator penyebaran virus antar daerah di Indonesia dengan menggunakan analisis cluster hierarki. Seminar Nasional Official Statistics; 2020 Sep 23-24; Jakarta, Indonesia [webinar]. Jakarta: Politeknik Statistika STIS. pp. 7381.
Ramdhani, F., Hoyyi, A., Mukid, M.A. (2015). Pengelompokan provinsi di Indonesia berdasarkan karakteristik kesejahteraan rakyat menggunakan metode K-Means Cluster. Jurnal Gaussian. 4(4): 875884.
Nainggolan, R., Lumbantoruan, G. (2018). Optimasi performa cluster K-Means menggunakan Sum of Squared Error (SSE). METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi. 2(2): 103108.
Khakim, M.A., Rahmadhani, L., Purnomo, E.S.B., Idayani, R.W., Rakhmawati, N.A. (2020). Analisa jaringan dokumentasi dan informasi hukum kementerian tentang teknologi informasi menggunakan metode K-Means clustering. Fountain of Informatics Journal. 5(1): 2734.
Hair, J.F., Anderson R.E., Tatham R.L., Black W.C. (1998). Multivariate Data Analysis. 5th edition. Upper Saddle River, New Jersey: Prentice Hall.
Yulianto, S., Hidayatullah, K.H. (2014). Analisis klaster untuk pengelompokan kabupaten/kota di provinsi Jawa Tengah berdasarkan indikator kesejahteraan rakyat. Jurnal Statistika Universitas Muhammadiyah Semarang. 2(1):56-63.
Johnson, R.A., Wichern, D. W. (2014). Applied Multivariate Statistical Analysis 6th edition. London: Pearson.
Soemartini, S., Supartini, E. (2017). Analisis K-Means cluster untuk pengelompokan kabupaten/kota di Jawa Barat berdasarkan indikator masyarakat. Prosiding Konferensi Nasional Penelitian Matematika dan Pembelajarannya (KNPMP) II 2017; 2017 Mar 18; Surakarta, Indonesia. Surakarta: Pendidikan Matematika FKIP Universitas Muhammadiyah Surakarta. pp. 144-154.
Abdillah, G., Putra, F.A., Renaldi, F. (2016). Penerapan data mining pemakaian air pelanggan untuk menentukan klasifikasi potensi pemakaian air pelanggan baru di PDAM Tirta Raharja menggunakan algoritma K-means. Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016); 2016 Mar 18-19; Yogyakarta, Indonesia. Yogyakarta: Universitas Atma Jaya Yogyakarta. pp. 498506.
Menarianti, I. (2015). Klasifikasi data mining dalam menentukan pemberian kredit bagi nasabah koperasi. Jurnal Ilmiah Teknosains. 1(1): 36-45.
Lantang, O.A. (2010). Proses extract, transform, dan load pada data warehouse. TEKNO. 8(53): 32-36.
Khotimah, B.K. (2020). Optimasi pemodelan Hybrid Naive Bayes berbobot dengan menggunakan algoritma genetika pada data missing value [disertasi]. Surabaya: Universitas Airlangga.
Setiawan, R. (2017). Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa Baru (Studi Kasus: Politeknik Lp3i Jakarta). Jurnal Lentera Ict, 3(1), 7692.
In, A.W.K., Asyik, N.F. (2019). Pengaruh kompetensi dan bebassi terhadap kualitas audit dengan etika auditor sebagai peubah pemoderasi. Jurnal Ilmu Dan Riset Akuntansi (JIRA). 8(8): 1-15.
Tjeleni, I. E. (2013). Kepemilikan manajerial dan institusional pengaruhnya terhadap kebijakan hutang pada perusahaan manufaktur di Bursa Efek Indonesia. Jurnal EMBA: Jurnal Riset Ekonomi, Manajemen, Bisnis Dan Akuntansi. 1(3): 129-139.
Hadi, A.F., Bagus C.W., D., Hasan, M. (2017). Text mining pada media sosial Twitter; Studi kasus: Masa tenang Pilkada DKI 2017 putaran 2. Seminar Nasional Matematika dan Aplikasinya; 2017 Oct 21; Surabaya, Indonesia. Surabaya: Universitas Airlangga. pp. 324-331.
Winarta, A., 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): 113119.
Simamora, B. (2005). Analisis multivariat pemasaran. Gramedia Pustaka Utama.
DOI: 10.33751/interval.v1i2.4558
Abstract views : 1013
views : 128
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
