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

2021 ◽  
Vol 8 (1) ◽  
pp. 83
Author(s):  
Bagus Muhammad Islami ◽  
Cepy Sukmayadi ◽  
Tesa Nur Padilah
Keyword(s):  
Data Mining ◽  
Developing Countries ◽  
Data Processing ◽  
Health Problems ◽  
Health Facilities ◽  
Microsoft Excel ◽  
Two Factors ◽  
Clustering Data ◽  
Index Value ◽  
Cluster 2

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.

scholarly journals PENGELOMPOKKAN JUMLAH DESA/KELURAHAN YANG MEMILIKI SARANA KESEHATAN MENURUT PROVINSI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTER

2019 ◽  
Vol 3 (1) ◽  
Author(s):  
Dwi Retno Sekar Mayangsari ◽  
Solikhun Solikhun ◽  
Irawan Irawan
Keyword(s):  
Developing Countries ◽  
Health Problems ◽  
Health Facilities ◽  
Basic Rights ◽  
The People ◽  
Two Factors ◽  
Long Time ◽  
The Government

Health problems that exist in the community, especially in developing countries such as Indonesia are influenced by two factors, namely physical aspects and non-physical aspects. Physical aspects such as health facilities and treatment of diseases, while the second is non-physical aspects that involve health problems. The construction of health facilities is an effort to fulfill one of the basic rights of the people carried out by the government to provide health facilities that will be used in helping the community to be healthy. So the purpose of this study is to group villages / kelurahan that have health facilities quickly and effectively. Describe the number of villages / kelurahan that have health facilities using the K-Means method, in order to find out whether the constraints faced by the government in grouping villages / kelurahan that have inadequate health facilities based on the provinces in Indonesia, require a long time to group them. It is expected that using this method can produce clustering which is proven to be accurate in the case of the number of villages / kelurahan that have inadequate health facilities based on the provinces in Indonesia.Keywords: Health Facilities, Datamining, K-Means

Penerapan Data Mining Untuk Prediksi Penjualan Mobil Menggunakan Metode K-Means Clustering

2020 ◽  
Vol 3 (3) ◽  
pp. 187-201
Author(s):  
Sufajar Butsianto ◽  
Nindi Tya Mayangwulan
Keyword(s):  
Data Mining ◽  
Clustering Data ◽  
Cluster 2

Penggunaan mobil di Indonesia setiap tahunnya selalu meningkat dan membuat perusahaan otomotif berlomba-lomba dalam peningkatan penjualannya. Tujuan dari penelitian ini untuk mengelompokan data penjualan kedalam sebuah cluster dengan metode Data Mining Algoritma K-Means Clustering. Data Penjualan nantinya akan dikelompokan berdasarkan kemiripan data tersebut sehingga data dengan karakteristik yang sama akan berada dalam satu cluster. Atribut yang digunakan adalah brand dan penjualan. Cluster yang terbentuk setelah dilakukan proses K-Means Clustering terbagi menjadi tiga cluster yaitu Cluster 0 jumlah anggota 235 dengan presentase 26% dikategorikan Laris, Cluster 1 jumlah anggota 604 dengan presentase 67% dikategorikan Kurang Laris, dan Cluster 2 jumlah angota 61 dengan presentase 7% dikategorikan Paling Laris, dari proses clustering diatas dapat diperoleh validasi DBI (Davies Bouldin Index) dengan nilai 0,341

scholarly journals Goods Stock Management using the K-Means Algorithm Method

2020 ◽  
Vol 10 (1) ◽  
pp. 22-45
Author(s):  
Dhio Saputra
Keyword(s):  
Data Mining ◽  
Data Processing ◽  
Test Results ◽  
Stock Management ◽  
Clustering Method ◽  
Sales Data ◽  
Using Data ◽  
Cluster 2

The grouping of Mazaya products at PT. Bougenville Anugrah can still do manuals in calculating purchases, sales and product inventories. Requires time and data. For this reason, a research is needed to optimize the inventory of Mazaya goods by computerization. The method used in this research is K-Means Clustering on sales data of Mazaya products. The data processed is the purchase, sales and remaining inventory of Mazaya products in March to July 2019 totaling 40 pieces. Data is grouped into 3 clusters, namely cluster 0 for non-selling criteria, cluster 1 for best-selling criteria and cluster 2 for very best-selling criteria. The test results obtained are cluster 0 with 13 data, cluster 1 with 25 data and cluster 2 with 2 data. So to optimize inventory is to multiply goods in cluster 2, so as to save costs for management of Mazayaproducts that are not available. K-Means clustering method can be used for data processing using data mining in grouping data according to criteria.

scholarly journals Penerapan Teknik Clustering Data Mining untuk Memprediksi Kesesuaian Jurusan Siswa (Studi Kasus SMA PGRI 1 Subang)

Faktor Exacta ◽  
2020 ◽  
Vol 13 (2) ◽  
pp. 125
Author(s):  
Tubagus Riko Rivanthio ◽  
Mardhiya Ramdhani
Keyword(s):  
Data Mining ◽  
Data Processing ◽  
Private School ◽  
Similar Data ◽  
Clustering Techniques ◽  
Academic Achievements ◽  
Processing Data ◽  
Using Data ◽  
Clustering Data ◽  
Selection Of

<p>SMA PGRI 1 Subang is a private school that has several missions, one of which is the establishment of academic and non-academic achievements. In an effort to achieve the mission must supervise student achievement. The effort he did was to provide understanding in the selection of majors in accordance with the interests and talents of students. But in the activity of providing understanding, the school does not yet have a model that can evaluate the interests and talents of students to choose majors. The model can be obtained using student data processing. Data processing can be done using data mining, namely data mining clustering techniques. The technique will produce a model in the selection of majors. This clustering process is the process of grouping similar data based on the similarity of data held by students. The research method used is the CRISP-DM method which has 6 stages consisting of: Business Understanding, Data Understanding, Data Processing, Modeling, Evaluation, and Dissemination. The data that is processed is 620 data consisting of class of students in 2014, 2015, 2016. The results of processing using clustering obtained 6 clusters that have different models for each cluster. The results of this study can be used by schools in recommending courses chosen by students according to students' interests and talents, so students can learn optimally.</p><strong><em>Key words</em></strong>: clustering, dataMining, suitability, majors, students

scholarly journals VILLAGE GROUPING BASED ON THE NUMBER OF HEALTH FACILITIES IN WEST JAVA USING K-MEANS CLUSTERING ALGORITHM

2021 ◽  
Vol 4 (1) ◽  
pp. 71-78
Author(s):  
Frieyadie Frieyadie ◽  
Anggie Andriansyah ◽  
Tyas Setiyorini
Keyword(s):  
Data Mining ◽  
Data Processing ◽  
Clustering Algorithm ◽  
National Development ◽  
Health Facilities ◽  
West Java ◽  
The Future ◽  
The Government

Health is very important for the welfare and development of the Indonesian nation because as a capital for the implementation of national development, it is essentially the development of all Indonesian people and the development of all Indonesian people. Due to the outbreak of the Covid-19 virus, many health facilities must be provided for patients. Of course, the government must pay attention to the health facilities that can be used in every district/city in West Java in the future. Therefore, to determine the level of availability of sanitation facilities in each district/city in West Java, we need a technology that can classify data correctly. One method of data processing in data mining is clustering. The application of clustering to this problem can use the K-Means algorithm method to group the most frequently used data. The purpose of this study is to classify sanitation data on the highest sanitation facilities, medium sanitation facilities, and low sanitation facilities, so that areas/cities that are included in the low cluster will receive more attention from the government to improve/provide sanitation facilities.

Clustering Data Mahasiswa Menggunakan Algoritma K-Means Untuk Menunjang Strategi Promosi (Studi Kasus : STMIK Bina Bangsa Kendari)

SIMKOM ◽  
2019 ◽  
Vol 4 (2) ◽  
pp. 35-48
Author(s):  
Widhi Lestari
Keyword(s):  
Data Mining ◽  
Clustering Data ◽  
Cluster 2 ◽  
Cluster Program

Data mahasiswa STMIK Bina Bangsa Kendari setiap tahunnya terus bertambah dan menghasilkan data yang berlimpah sehingga terjadi penumpukan data. Data yang berlimpah perlu di lakukan pengolahan data untuk menggali informasi yang terdapat didalam data tersebut. Tujuan penelitian ini untuk mengkluster data mahasiswa di STMIK Bina Bangsa Kendari melalui proses data mining dengan menggunakan algoritma K-Means untuk pembentukan cluster. Atribut data digunakan adalah nama mahasiswa, jurusan, sekolah asal, nilai IPK. Data yang digunakan adalah data mahasiswa angkatan 2018/2019 dengan sampel data 171 items dan sumber data berasal dari bagian akademik dan admisi STMIK Bina Bangsa Kendari. Cluster mahasiswa yang terbentuk ada 2 yaitu Cluster 1 (cluster_0) 72 items, dan Cluster 2 (cluster_1) 99 items. Hasil dari penelitian ini di gunakan sebagai dasar untuk menentukan strategi promosi program studi yang ada di STMIK Bina Bangsa Kendari berdasarkan hasil cluster program studi yang banyak di minati dari masing-masing sekolah.

scholarly journals PENERAPAN METODE K-MEDOIDS CLUSTERING PADA PENANGANAN KASUS DIARE DI INDONESIA

2019 ◽  
Vol 3 (1) ◽  
Author(s):  
Fitriani Hardiyanti ◽  
Heru Satria Tambunan ◽  
Ilham Syaputra Saragih
Keyword(s):  
Data Mining ◽  
Developing Countries ◽  
Rural Areas ◽  
Health Problems ◽  
The Body ◽  
Liquid Form ◽  
Children Under Five ◽  
Under Five ◽  
Group Experiences ◽  
Urban And Rural Areas

Diarrhea is a condition in which a person defecates in a runny or liquid form and occurs repeatedly. Diarrhea can cause the loss of large amounts of water and substances needed by the body. Diarrhea is one of the health problems in developing countries, especially in Indonesia both in urban and rural areas. Diarrhea morbidity rates around 200-400 occurrences among 1000 residents each year. Thus in Indonesia there can be around 60 million incidents each year, most (70-80%) of these sufferers are children under five years (BALITA). Some patients (1- 2%) will fall into dehydration and if not immediately helped 50-60% of them can die. This group experiences more than one incidence of diarrhea every year. K-Medoids Algorithm Clustering is one of the algorithms used for to group data.Keywords: Data Mining, K-Medoids, Clustering, Diarrhea

scholarly journals SISTEM CERDAS PEMANTAU KENYAMANAN RUANG KELAS BERBASIS INTERNET OF THINGS (IoT) MENGGUNAKAN METODE K-MEANS PADA PLATFORM THINGSPEAK

2020 ◽  
Vol 13 (1) ◽  
pp. 70-81 ◽  
Author(s):  
Usep Tatang Suryadi ◽  
Sri Saraswati
Keyword(s):  
Data Mining ◽  
Internet Of Things ◽  
Clustering Data ◽  
Cluster 2

Memonitor ruang kelas dalam rentang waktu tertentu untuk ruangan salah satu yang cukup penting untuk dilakukan. Peningkatan kelembaban, suhu, suara, cahaya akan mempengaruhi konsetrasi belajar mengajar. Dalam perancangan sistem ini, penulis meminta sistem pendeteksian ruang kelas berbasis internet (IoT). Penelitian ini bertujuan untuk mengelompokan data ke dalam cluster dengan menggunakan metode Data Mining, algoritma K-means Clustering. Data dikelompokan berdasarkan data kemiripan ini sehingga data dengan karakteristik yang sama akan berada dalam satu cluster. Atribut yang digunakan adalah kelembaban, suhu, suara dan cahaya. Hasil K-Means Clustering yang diperoleh ada 3 kelompok, pusat cluster dengan cluster 1 = 47,76; 26,07;61; 92; 3602 cluster 2 = 58; 29; 59,5; 502 dan cluster 3 = 60; 30,25; 58,75; 769,75. Cluster dengan nilai tertinggi adalah cluster tiga. Iterasi pengelompokan data terjadi sebanyak 4 kali iterasi. Sistem yang diterapkan dalam sistem ini adalah sistem pemantauan kenyamanan ruang kelas. Sistem pengambilan mengambil dan mengkalkulasi data fisik membentuk kelembaban, suhu, suara, cahaya melalui sensor menjadi informasi pada ruangan yang dipantau menggunakan mikrokontroler Arduino Mega2560 dan sensor DHT11, LDR, Kondensor yang terhubung dengan hal-hal yang berbicara. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Cluster dengan nilai tertinggi adalah cluster tiga. Iterasi pengelompokan data terjadi sebanyak 4 kali iterasi. Sistem yang diterapkan dalam sistem ini adalah sistem pemantauan kenyamanan ruang kelas. Sistem pengambilan mengambil dan mengkalkulasi data fisik membentuk kelembaban, suhu, suara, cahaya melalui sensor menjadi informasi pada ruangan yang dipantau menggunakan mikrokontroler Arduino Mega2560 dan sensor DHT11, LDR, Kondensor yang terhubung dengan hal-hal yang berbicara. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Cluster dengan nilai tertinggi adalah cluster tiga. Iterasi pengelompokan data terjadi sebanyak 4 kali iterasi. Sistem yang diterapkan dalam sistem ini adalah sistem pemantauan kenyamanan ruang kelas. Sistem pengambilan mengambil dan mengkalkulasi data fisik membentuk kelembaban, suhu, suara, cahaya melalui sensor menjadi informasi pada ruangan yang dipantau menggunakan mikrokontroler Arduino Mega2560 dan sensor DHT11, LDR, Kondensor yang terhubung dengan hal-hal yang berbicara. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Sistem yang diterapkan dalam sistem ini adalah sistem pemantauan kenyamanan ruang kelas. Sistem pengambilan mengambil dan mengkalkulasi data fisik terdiri dari kelembaban, suhu, suara, cahaya melalui sensor menjadi informasi pada ruangan yang dipantau menggunakan mikrokontroler Arduino Mega2560 dan sensor DHT11, LDR, Kondensor yang terhubung dengan benda-benda bicara. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Sistem yang diterapkan dalam sistem ini adalah sistem pemantauan kenyamanan ruang kelas. Sistem pengambilan mengambil dan mengkalkulasi data fisik membentuk kelembaban, suhu, suara, cahaya melalui sensor menjadi informasi pada ruangan yang dipantau menggunakan mikrokontroler Arduino Mega2560 dan sensor DHT11, LDR, Kondensor yang terhubung dengan hal-hal yang berbicara. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Kondensor yang terhubung dengan thingspeak. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. Kata kunci: Arduino Mega 2560, DHT11, ESP8266, Internet Of Things (IoT), K-means, Kondensor, LDR, Mikrokontroler, Ruang Kelas, Sensor, Sistem Pemantau. Kondensor yang terhubung dengan thingspeak. Algoritma K-Berarti dapat melakukan klasterisasi dengan baik pada sistem yang dibangun. 

scholarly journals Penerapan Algoritma K-Means Untuk Clustering Data Kemiskinan Provinsi Banten Menggunakan Rapidminer

2020 ◽  
Vol 5 (2) ◽  
pp. 192
Author(s):  
Yunita Ratna Sari ◽  
Arby Sudewa ◽  
Diah Ayu Lestari ◽  
Tri Ika Jaya
Keyword(s):  
Data Mining ◽  
Clustering Data ◽  
Cluster 2

Angka kemiskinan di Provinsi Banten tergolong rendah di tingkat nasional. Hal ini dibuktikan dengan persentase penduduk miskin Banten pada September 2019 sebesar 4,94% berada di bawah rata-rata nasional pada periode yang sama sebesar 9,22%. Penelitian ini memanfaatkan teknik data mining dengan menggunakan metode K-Means Clustering. Data penelitian ini diambil dari situs Badan Pusat Statistik (BPS) dari tahun 2015-2019 yang terdiri dari 8 Kabupaten/Kota dengan 3 variabel. Variabel yang digunakan adalah jumlah penduduk miskin (ribu jiwa), rata-rata lama pendidikan sekolah (tahun), dan pengeluaran per kapita yang disesuaikan (ribu rupiah/tahun). Semua data tersebut kemudian diolah dengan Rapidminer dan dilakukan 3 cluster, yaitu: tingkat cluster sedang (C0), tingkat cluster tinggi (C1), dan tingkat cluster rendah (C2). Hasil dari perhitungan rapidminer menunjukkan Kabupaten Tangerang, Kota Cilegon, dan Kota Serang masuk sebagai anggota cluster 0, Kabupaten Pandeglang, Kabupaten Lebak, dan Kabupaten Serang berada pada cluster 1, Kota Tangerang, dan Kota Tangerang Selatan berada di cluster 2.

PREDIKSI KUALITAS AIR SUNGAI CILIWUNG DENGAN MENGGUNAKAN ALGORITMA POHON KEPUTUSAN

2021 ◽  
Vol 12 (2) ◽  
Author(s):  
Mohammad Haekal ◽  
Henki Bayu Seta ◽  
Mayanda Mega Santoni
Keyword(s):  
Data Mining ◽  
Decision Tree ◽  
Cross Validation ◽  
Online Monitoring ◽  
Training Set ◽  
Microsoft Excel ◽  
Test Set

Untuk memprediksi kualitas air sungai Ciliwung, telah dilakukan pengolahan data-data hasil pemantauan secara Online Monitoring dengan menggunakan Metode Data Mining. Pada metode ini, pertama-tama data-data hasil pemantauan dibuat dalam bentuk tabel Microsoft Excel, kemudian diolah menjadi bentuk Pohon Keputusan yang disebut Algoritma Pohon Keputusan (Decision Tree) mengunakan aplikasi WEKA. Metode Pohon Keputusan dipilih karena lebih sederhana, mudah dipahami dan mempunyai tingkat akurasi yang sangat tinggi. Jumlah data hasil pemantauan kualitas air sungai Ciliwung yang diolah sebanyak 5.476 data. Hasil klarifikasi dengan Pohon Keputusan, dari 5.476 data ini diperoleh jumlah data yang mengindikasikan sungai Ciliwung Tidak Tercemar sebanyak 1.059 data atau sebesar 19,3242%, dan yang mengindikasikan Tercemar sebanyak 4.417 data atau 80,6758%. Selanjutnya data-data hasil pemantauan ini dievaluasi menggunakan 4 Opsi Tes (Test Option) yaitu dengan Use Training Set, Supplied Test Set, Cross-Validation folds 10, dan Percentage Split 66%. Hasil evaluasi dengan 4 opsi tes yang digunakan ini, semuanya menunjukkan tingkat akurasi yang sangat tinggi, yaitu diatas 99%. Dari data-data hasil peneltian ini dapat diprediksi bahwa sungai Ciliwung terindikasi sebagai sungai tercemar bila mereferensi kepada Peraturan Pemerintah Republik Indonesia nomor 82 tahun 2001 dan diketahui pula bahwa penggunaan aplikasi WEKA dengan Algoritma Pohon Keputusan untuk mengolah data-data hasil pemantauan dengan mengambil tiga parameter (pH, DO dan Nitrat) adalah sangat akuran dan tepat. Kata Kunci : Kualitas air sungai, Data Mining, Algoritma Pohon Keputusan, Aplikasi WEKA.

Sign in / Sign up

Export Citation Format

Share Document