Clustering Fasilitas Kesehatan Berdasarkan Kecamatan di Jakarta dengan Algoritma K-Medoids
Keywords:
clustering, Kesehatan, Jakarta, K-MedoidsAbstract
Pada penelitian ini, kami menggunakan algoritma K-Medoids untuk melakukan clustering (pengelompokan) fasilitas kesehatan berdasarkan kecamatan di Jakarta pada tahun 2020. Tujuan dari penelitian ini adalah untuk mengidentifikasi pola-pola kemiripan antara kecamatan berdasarkan jenis dan jumlah fasilitas kesehatan yang tersedia di setiap kecamatan. K-Medoids adalah salah satu metode clustering yang berfokus pada pemilihan titik-titik tengah yang mewakili setiap kelompok. Algoritma ini bekerja dengan menginisialisasi k-titik awal sebagai medoids, kemudian mengalokasikan setiap data ke medoid terdekat dan menghitung total jarak antara data dan medoid. Proses ini diulang untuk mencari kombinasi medoid yang memiliki total jarak minimum. Hasilnya adalah partisi data ke dalam kelompok-kelompok yang saling terpisah. Data yang digunakan dalam penelitian ini mencakup informasi tentang jenis fasilitas kesehatan (seperti rumah sakit, klinik, dan puskesmas) yang ada di setiap kecamatan di Jakarta pada tahun 2020. Data ini diperoleh dari sumber terpercaya yang menyediakan data terkait kesehatan di Jakarta. Setelah mengimplementasikan algoritma K-Medoids pada data fasilitas kesehatan di setiap kecamatan, kami memperoleh hasil clustering yang menunjukkan kelompok-kelompok kecamatan yang memiliki pola kemiripan dalam hal jenis dan jumlah fasilitas kesehatan yang tersedia. Hasil ini dapat memberikan wawasan yang berharga bagi pemangku kepentingan dalam perencanaan dan pengembangan sistem kesehatan di Jakarta.
References
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.
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.
Han, J., Kamber, M. & Pei, J. Data mining: concepts and techniques Third Edition. Morgan Kaufmann Publishers, San Francisco, 2011.
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.
Kaur, Noor K et al. “K-Medoids Clustering Algorithm”. Vol. 1, Issue 1. April 2014.
IBRAHIM, L. Fattouh. Using Of Clustering And Ant-Colony Algorithms CWSP-PAM-ANT In Network Planning. In: Digital Telecommunications,, 2006. ICDT'06. International Conference on. IEEE, 2006. p. 63-63.
Andini, A. D., & Arifin, T. (2020). IMPLEMENTASI ALGORITMA K-MEDOIDS UNTUK KLASTERISASI DATA PENYAKIT PASIEN DI RSUD KOTA BANDUNG. JURNAL RESPONSIF, 2(2), 128–138. http://ejurnal.ars.ac.id/index.php/jti
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.
Y. Mardi, “Data Mining: Klasifikasi Menggunakan Algoritma C4.5,” J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2017.
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.
Marlina, D., Fauzer Putri, N., Fernando, A., & Ramadhan, A. (2018). Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokkan Wilayah Sebaran Cacat pada Anak. Jurnal CoreIT, 4(2).
Irhamni F, Damayanti F, Khusnul K B & A Mifftachul. Optimalisasi Pengelompokan Kecamatan Berdasarkan Indikator Pendidikan Menggunakan Metode Clustering Dan Davies Bouldin Index. Seminar Nasional Sains dan Teknologi 2014. Jakarta. 2014 : 1-5.
