MAKALAH

PENERAPAN DATA MINING MENGGUNAKAN CLUSTERING UNTUK

MENENTUKAN STATUS COVID-19 PADA PROVINSI DI INDONESIA

TUGAS KELOMPOK

Mata Kuliah : Data Mining

Dosen Pengampuh : Dr. Ir. Zulfi Azhar, [Link]

Disusun Oleh :

ILHAM HAKIKI : 20220191

RIDWANSYAH : 20220212

RATI E.P. LUBIS : 20220542

T. ADJI ABDULLAH MUFTI : 20220544

PROGRAM STUDI SISTEM INFORMASI

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER ROYAL

KISARAN

2022/2023

0
 KATA PENGANTAR

Assalamualaikum [Link]. Puji syukur atas rahmat Allah SWT, berkat rahmat serta karunia-
Nya sehingga makalah dengan berjudul 'PENERAPAN DATA MINING MENGGUNAKAN
CLUSTERING UNTUK MENENTUKAN STATUS COVID-19 PADA PROVINSI DI
INDONESIA' dapat selesai.

Makalah ini dibuat dengan tujuan memenuhi tugas dari Bapak Dr. Ir. Zulfi Azhar, [Link]
pada mata kuliah Data Mining. Selain itu, penyusunan makalah ini bertujuan menambah
wawasan kepada pembaca tentang data atau status covid-19 di provinsi indonesia.

Kami sebagai penulis juga menyampaikan ucapan terima kasih kepada Bapak Dr. Ir. Zulfi
Azhar, [Link]. Berkat tugas yang diberikan ini, diharapkan dapat menambah wawasan kami
sebagai penulis berkaitan dengan topik yang diberikan. Sekaligus juga kami mengucapkan
terima kasih yang sebesarnya kepada semua pihak yang membantu dalam proses penyusunan
makalah ini.

Kami menyadari bahwa dalam penyusunan dan penulisan masih melakukan banyak
kesalahan. Oleh karena itu kami selaku penulis memohon maaf atas kesalahan dan
ketidaksempurnaan yang pembaca temukan dalam makalah ini. Kami juga mengharap adanya
kritik serta saran dari pembaca apabila menemukan kesalahan dalam makalah ini. Terima Kasih.

Kisaran, 10 Januari 2023

Kisaran

1
 DAFTAR ISI
Halaman Judul ..................... ………………………………………………………….
Kata Pengantar ..................... …………………………………………………………. 1
Daftar Isi .............................. …………………………………………………………. 2
BAB I PENDAHULUAN
1 Latar Belakang Masalah …………………………………………………………. 3
1.1 Rumusan Masalah .......... …………………………………………………………. 4
1.2 Ruang Lingkup Masalah ………………………………………………………….. 4
1.3 Tujuan Penelitian ........... …………………………………………………………. 4
1.4 Manfaat Penelitian ......... …………………………………………………………. 5
BAB II LANDASAN TEORI
2 Konsep Dasar Data Mining ………………………………………………………. 6
2.1 Data Mining ................... …………………………………………………………. 6
2.2 Fungsi Data Mining ....... …………………………………………………………. 6
2.3 Metode Data Mining ...... …………………………………………………………. 7
2.4 Permasalahan Dalam Data Mining ……………………………………………….. 9
2.5 Contoh Penerapan Data Mining ………………………………………………….. 10
2.6 Konsep Clustering .......... …………………………………………………………. 11
2.7 Clustering ....................... …………………………………………………………. 12
2.8 Fungsi Clustering ........... …………………………………………………………. 12
2.9 Syarat Clustering ............ …………………………………………………………. 12
2.10 Metode Clustering ........ …………………………………………………………. 13
2.11 Metode K-Means ......... …………………………………………………………. 15
2.12 Konsep K-Means ......... …………………………………………………………. 16
2.13 K-Means ....................... …………………………………………………………. 16
2.14 Metode Algoritma K-Means Clustering ……………………………………….... 16
BAB III HASIL DAN PEMBAHASAN
3.1 Implementasi .................. ………………………………………………………… 19
3.2 Persiapan Data Pasien .... ………………………………………………………… 19
3.3 Data Mining ................... ………………………………………………………… 20

2
 BAB I
PENDAHULUAN

1. Latar Belakang Masalah

Seiring dengan perkembangan teknologi yang semakin pesat, kehidupan di dunia dipermudah
dengan adanya penerapan teknologi tersebut. Salah satu contoh dari penerapan teknologi tersebut
adalah penerapan sistem terkomputerisasi. Dengan adanya sistem tersebut, suatu pekerjaan dapat
dilakukan dengan cepat, efisien dan efektif sehingga dapat meminimalisir kesalahan yang terjadi.
Dengan perkembangan teknologi ini, dikembangkan pula suatu teknologi yang mampu mengadopsi
proses dan cara berpikir manusia yaitu teknologi Data Mining yang merupakan proses menggunakan
teknik statistik, matematika, kecerdasanbuatan, dan machine learning untuk mengekstraksi dan
mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database
besar. Tujuan utama data mining adalah untuk menemukan, menggali, atau menambang pengetahuan
dari data atau informasi yang kita miliki.
Sedangkan K-Means merupakan salah satu metode pengelompokan data non hierarki yang berusaha
untuk mempartisi data yang ada kedalam bentuk dua atau lebih kelompok, sehingga data
berkarakteristik sama dimasukan kedalam satu kelompok yang sama dan data yang berkarakteristik lain
dimasukan ke dalam kelompok lain.
World Health Organization (WHO) menjelaskan bahwa Coronaviruses (Cov) adalah sistem
pernafasan yang terinfeksi oleh virus. Infeksi virus ini disebut Covid19. Virus Corona
menyebabkan penyakit flu biasa sampai penyakit yang lebih parah seperti Sindrom Pernafasan
Timur Tengah (MERS-CoV) dan Sindrom Pernafasan Akut Parah (SARS-CoV). Virus Corona
adalah zoonotic yang artinya ditularkan antara hewan dan manusia. Berdasarkan Kementerian
Kesehatan Indonesia, perkembangan kasus Covid-19 di Wuhan berawal pada tanggal 30
Desember 2019 dimana Wuhan Municipal Health Committee mengeluarkan pernyataan “urgent
notice on the treatment of pneumonia of unknown cause”. Penyebaran virus Corona ini sangat
cepat bahkan sampai ke lintas negara. Sampai saat ini terdapat 212 negara yang mengkorfirmasi
terkena virus Corona. Salah satunya di negara kita sendiri, Indonesia. Di Indonesia sendiri
jumlah virus corona sudah mencapai 32 ribu lebih terjangkit virus ini. Penyebaran virus corona
ini telah meluas ke berbagai daerah yang ada di Indonesia. Covid-19 pertama masuk dilaporkan
masuk ke Indonesia pada tanggal 2 Maret 2020 dengan jumlah 2 kasus. Kemudian dari data
yang ada pada tanggal 31 Maret 2020 tercatat kasus virus ini meningkat sampai berjumlah 1.528
kasus terjangkit Covid-19.

3
 Tingkat moralitas di Indonesia mencapai angka tertinggi di Asia Tenggara dengan angka
sebesar 8.9 %. Dengan angka tingkat moralitas tertinggi di Asia Tenggara ini disebabkan karena
angka kematian di Indonesia mencapai 136 jiwa. Selain itu jika ada yang terjangkit dan
meninggal dunia pasti ada juga yang sembuh dari virus covid-19 ini, jumlah yang sembuh
tercatat mencapai 81 orang.
Maksud kami mengambil judul ini karena melihat data- data banyaknya orang yang
terjangkit, meninggal dunia, sampai sembuh yang terjadi di berbagai penjuru daerah di
Indonesia. Untuk itu akan dibuat klasifikasi daerah dari zona merah, kuning, dan hijau yang
berarti untuk zona merah sendiri berarti daerah itu adalah daerah bahaya dan daerah dengan
jumlah terjangkit virus dengan jumlah cukup banyak. Untuk zona kuning berarti zona itu masuk
di daerah dengan zona siaga, maksudnya adalah di daerah tersebut masuk daerah bisa dibilang
dengan korban terjangkit virus Covid-19 dengan jumlah yang tidak banyak namun tidak juga
sedikit. Yang terakhir zona hijau yang berarti zona aman, maksudnya di zona ini daerah yang
terjangkit virus ini datanya paling sedikit terjangkit. Pengklasifikasian tersebut menggunakan
metode Clusstering (K-Means).

1.1 Rumusan Masalah

Berdasarkan latar belakang masalah yang telah dibahas sebelumnya maka dapat dirumuskan
permasalahan yang akan diteliti yaitu bagaimana penerapan data mining dalam menentukan
status covid-19 pada provinsi di indonesia dengan metode clusstering k-means.

1.2 Ruang Lingkup Masalah

1. Analisis menggunakan teknik data mining dengan metode clustering k-means.
2. Atribut yang digunakan yaitu positif, sembuh, meninggal.
3. Data training menggunakan 100% data provinsi.
4. Informasi yang dihasilkan berupa berapa jumlah pasien yang positif, sembuh dan meninggal.

1.3 Tujuan Penelitian

Adapun tujuan yang ingin dicapai dalam penelitian ini adalah:
1. Menganalisa data – data pasien pada setiap provinsi dengan metode clusteringk-means.
2. Mendapatkan akurasi yang baik dari jumlah covid-19 di setiap provinsi pada bulan Mei
2022.

4
1.4 Manfaat Penelitian
1. Dapat mengetahui data pasien covid-19 positif,sembuh dan meninggal.
2. Dapat menggunakan hasil analisis untuk menentukan strategi dalam meningkatkan
kualitas dan kuantitas penerima bantuan unruk periode selanjutnya.

5
 BAB II
LANDASAN TEORI

2. Konsep Dasar Data Mining

Bagi perusahaan, data yang tersimpan di basis data dapat dimanfaatkan untuk membuat
laporan penjualan, kontrol inventaris, pola grafik jumlah produksi berdasarkan data-data
produksi yang sudah diketahui sebelumnya, perkiraan nilai penjualan yang akan didapatkan,
pola pembelian konsumen, analisis kebutuhan pasar yang paling signifikan dalam sumbangan
laba perusahaan, dan sebagainya. Semua hal tersebut bisa didapatkan dengan memanfaatkan
data-data yang sudah ada dalam basis data, yang pada akhirnya dapat mengetahui kondisi
keuangan perusahaan. Munculnya data mining didasarkan pada kenyataan bahwa jumlah data
yang tersimpan dalam basis data semakin besar. Misalnya, disebuah supermarket, ada berapa
banyak transaksi pelanggan yang terjadi dalam sehari, dan dalam sebulan, ada berapa juta data
yang sudah tersimpan? Dalam perusahaan, ada kegiatan produksi untuk setiap produk yang
dibuat. Dalam beberapa tahun, ada berapa juta data yang sudah tersimpan? Jika perusahaan
dapat memanfaatkan data-data yang ada sehingga akan menghasilkan informasi yang
bermanfaat bagi perusahaan ilmu data mining menjawab masalah tersebut dengan melakukan
proses yang dapat menemukan suatu informasi baru yang berguna bagi perusahaan yang akan
mendukung keberhasilan bisnisnya.

2.1. Data Mining

Data Mining adalah satu istilah yang digunakan untuk menguraikan penemuan pengetahuan
di dalam database, Data Mining adalah teknik memanfaatkan data dalam jumlah yang besar
untuk memperoleh informasi berharga yang sebelumnya tidak diketahui dan dapat
dimanfaatkan untuk pengambilan keputusan penting.

2.2. Fungsi Data Mining

Data mining memiliki banyak sekali fungsi, Untuk fungsi utamanya sendiri yaitu ada dua;
Yaitu fungsi descriptive dan fungsi predictive. Untuk fungsi lainnya akan dibahas di bawah :
1. Descriptive Fungsi deskripsi dalam data mining adalah sebuah fungsi untuk memahami
lebih jauh tentang data yang diamati. Dengan melakukan sebuah proses diharap bisa
mengetahui perilaku dari sebuah data tersebut. Data tersebut itulah yang nantinya dapat
digunakan untuk mengetahui karakteristik dari data yang dimaksud. Dengan menggunakan
Fungsi descriptive Data mining, Maka nantinya bisa menemukan pola tertentu yang

6
 tersembunyi dalam sebuah data. Dengan kata lain jika pola yang berulang dan bernilai itulah
karakteristik sebuah data bisa diketahui.
2. Predictive Fungsi prediksi merupakan sebuah fungsi bagaimana sebuah proses nantinya akan
menemukan pola tertentu dari suatu data. Pola-pola tersebut dapat diketahui dari berbagai
variabel-variabel yang ada pada data. Ketika sudah menemukan pola, Maka pola yang
didapat tersebut bisa digunakan untuk memprediksi variabel lain yang belum diketahui nilai
ataupun jenisnya. Karena itulah fungsi satu ini dikatakan sebagai fungsi prediksi sama
halnya dengan melakukan predictive analisis. Fungsi ini juga bisa digunakan untuk
memprediksi sebuah variabel tertentu yang tidak ada dalam suatu data. Sehingga fungsi ini
memudahkan dan menguntungkan bagi siapapun yang memerlukan prediksi yang akurat
untuk membuat hal penting tersebut menjadi lebih baik. Fungsi Data mining yang lainnya
yaitu : characterization, discrimination, association, classification, clustering, outlier and
trend analysis, dll.
 Multidimensional concept description, Karakterisasi dan diskriminasi, Atau berfungsi
untuk menggeneralisasikan, meringkas, dan membedakan karakteristik data, dll.
 Frequent patterns, association, correlation.
 Classification and prediction, Membangun model (fungsi) yang menggambarkan dan
membedakan kelas atau konsep untuk prediksi masa depan. Misalnya, Mengklasifikasikan
negara berdasarkan (iklim), atau mengklasifikasikan mobil berdasarkan (jarak tempuh
gas).
 Cluster analysis, Membuat data grup untuk membentuk kelas baru. Misalnya,
Memaksimalkan kesamaan intra-kelas & meminimalkan kesamaan antar kelas
 Outlier analysis, Objek data yang tidak sesuai dengan perilaku umum dari data, Berguna
dalam deteksi penipuan, analisis peristiwa langka.
 Trend and evolution analysis, Trend dan penyimpangan: misalnya Analisis regresi atau
Mining Penambangan pola berurutan: misalnya, Kamera digital, atau Analisis periodisitas
dan Analisis berbasis kesamaan.
 Other pattern-directed or statistical analyses.
2.3. Metode Data Mining
Dalam melakukan pengumpulan informasi tentunya terdapat metode, Metode tersebut
akan membantu dalam proses menemukan data. Data mining akan menyediakan perencanaan
dari ide hingga implementasi akhir.
1. Proses pengambilan Data

7
 Bagaimana proses pengambilan data? Tadi di atas sudah dijelaskan tentang KDD atau
Knowledge discovery (mining) in databases. Dengan KDD tersebut itulah kamu dapat
melakukan proses pengambilan data

Gambar 1.1 Proses Pengambilan Data

Proses atau tahapan-tahapan tersebut dimulai dari data mentah dan berakhir dengan
pengetahuan atau informasi yang telah diolah. Nah proses tersebut sebagai berikut :
 Data Cleansing, Proses dimana data-data yang tidak lengkap, mengandung error dan tidak
konsisten dibuang dari koleksi data. Ketahui juga data lifecycle management untuk
mengetahui tentang pengolahan data.
 Data Integration, Proses integrasi data dimana yang berulang akan dikombinasikan.
 Selection, Proses seleksi atau pemilihan data yang relevan terhadap analisis untuk
diterima dari koleksi data yang ada.
 Data Transformation, Proses transformasi data yang sudah dipilih ke dalam bentuk
mining procedure melalui cara dan agresi data.
 Data Mining, Proses yang paling penting dimana akan dilakukan berbagai teknik yang di
aplikasi kan untuk mengekstrak berbagai pola-pola potensial untuk mendapatkan data yang
berguna.

8
  Pattern Evolution, Sebuah proses dimana pola-pola menarik yang sebelumnya sudah
ditemukan dengan identifikasi berdasarkan measure yang telah diberikan.

2. Teknik dalam Proses Penambangan Data

Terdapat berbagai macam teknik yang digunakan dalam proses penambangan data, Apa saja
teknik yang bisa digunakan dalam proses Data Mining?

 Predictive Modeling, Terdapat dua teknik yaitu Classification dan Value Prediction

 Database Segmentation, Melakukan partisi database menjadi sejumlah segmen,

cluster, atau record yang sama

 Link analysis, Sebuah teknik untuk membuat hubungan antara record yang individu
atau sekumpulan record dalam database.

 Deviation detection, Sebuah teknik untuk mengidentifikasi outlier yang

mengekspresikan sebuah deviasi dari ekspektasi yang sudah diketahui sebelumnya.

 Nearest Neighbour, Yaitu teknik yang memprediksi pengelompokan, Teknik ini sendiri
merupakan teknik yang tertua yang digunakan dalam data mining.

 Clustering, merupakan teknik untuk mengklasifikasikan data berdasarkan kriteria

masing-masing data.

 Decision Tree, Merupakan teknik generasi selanjutnya, dimana teknik ini adalah sebuah
model prediktif yang dapat digambarkan seperti pohon. Setiap node yang terdapat dalam
struktur pohon tersebut mewakili sebuah pertanyaan yang digunakan untuk
menggolongkan data.
2.4. Permasalahan dalam Data Mining
Bukan soal yang mudah dalam mengumpulkan informasi dan melakukan penambangan data
yang nantinya data tersebut berguna kedepannya, Banyak sekalian permasalah yang bisa
ditemui saat melakukan penambangan data. Apa saja permasalahan dalam data mining tersebut?
1. Metodologi Mining
 Menambang berbagai jenis pengetahuan dari berbagai tipe data
 Kinerja: efisiensi, efektivitas, dan skalabilitas
 Evaluasi pola: masalah ketertarikan
 Memasukkan pengetahuan latar belakang
2. User interaction
 Bahasa kueri penambangan data dan penambangan ad-hoc
 Ekspresi dan visualisasi hasil penambangan data
9
  Penambangan pengetahuan interaktif di berbagai tingkatan abstraksi

3. Applications and social impacts

 Penambangan data khusus domain & penambangan data tak terlihat
 Perlindungan keamanan data, integritas, dan privasi

2.5. Contoh Penerapan Data Mining

Penambangan data bisa digunakan di berbagai sektor, Mulai dari sektor bisnis,
manajemen, keuangan dan lain sebagaianya. Berikut Contoh penerapan Data mining dibeberapa
sektor :

1. Market Analysis dan Management

Dalam sektor pemasaran biasanya data mining digunakan untuk Pemasaran target,
manajemen hubungan pelanggan (CRM), analisis pasar, cross selling, segmentasi pasar.

 Target Pemasaran, Misalnya menemukan kelompok pelanggan “model” yang memiliki

karakteristik yang sama: minat,tingkat pendapatan, kebiasaan belanja, dll. atau menentukan pola
pembelian pelanggan dari waktu ke waktu.

 Analysis lalu lintas pasar, Menemukan hubungan / hubungan antar produk penjualan, &
prediksi berdasarkan asosiasi tersebut.
 Profiling pelanggan, Jenis pelanggan apa yang membeli produk apa
(pengelompokan atau klasifikasi).
 Analisis kebutuhan pelanggan, Misalnya identifikasi produk terbaik untuk berbagai
kelompok pelanggan, Memprediksi faktor apa yang akan menarik pelanggan baru, Penyediaan
informasi ringkasan.
2. Corporate Analysis & Risk Management
Penerapan Data mining dalam sektor perusahaan biasanya digunakan untuk prediksi, retensi
pelanggan, underwriting yang lebih baik, kontrol kualitas, analisis kompetitif.
 Perencanaan keuangan dan evaluasi aset, Misalnya analisis dan prediksi arus kas, analisis
klaim kontinjensi untuk mengevaluasi aset, analisis cross-sectional dan time series (rasio
keuangan, tren analisis, dll.)
 Planning Perencanaan sumber daya, Misalnya merangkum dan membandingkan sumber
daya dan pengeluaran
 Persaingan, Misalnya memantau pesaing dan arah pasar, mengelompokkan pelanggan ke
dalam kelas dan penetapan harga berbasis kelas prosedur, dan mengatur strategi penetapan
harga di pasar yang sangat kompetitif.

10
 3. Fraud Detection & Mining Unusual Patterns
Data mining juga berfungsi untuk mencari dan mendeteksi fraud pada sebuah sistem.
Dengan menggunakan data mini maka akan bisa melihat dari jutaan transaksi yang masuk.

 Pendekatan: Clustering & konstruksi model untuk penipuan, analisis outlier

 Aplikasi: Layanan kesehatan, ritel, layanan kartu kredit, telecomm. Misalnya Asuransi
otomatis, Pencucian uang, Asuransi kesehatan, Telekomunikasi, Analisis pola yang
menyimpang dari norma yang diharapkan, Industri retail, Dll.

2.6. Konsep Clustering

Hasil clustering yang baik akan menghasilkan tingkat kesamaan yang tinggi dalam satu kelas
dan tingkat kesamaan yang rendah antar kelas. Kesamaan yang dimaksud merupakan pengukuran
secaranumeric terhadap dua buah objek. Nilai kesamaan antar kedua objek akansemakin tinggi jika
kedua objek yang dibandingkan memiliki kemiripan yang tinggi. Begitu juga dengan sebaliknya.
Kualitas hasil clustering sangat bergantung pada metode yang dipakai. Dalam clustering
dikenal empat tipe data. Keempat tipe data pada tersebut ialah:
 Variabel berskala interval
 Variabel biner
 Variabel nominal, ordinal, dan rasio
 Variabel dengan tipe lainnya.

Metode clustering juga harus dapat mengukur kemampuannya sendiri dalam usaha untuk
menemukan suatu pola tersembunyi pada data yang sedang diteliti. Terdapat berbagai metode
yang dapat digunakan untuk mengukur nilai kesamaan antar objek-objek yang dibandingkan.
Salah satunya ialah dengan weighted Euclidean Distance. Euclidean distance menghitung jarak
dua buah point dengan mengetahui nilai dari masing-masing atribut pada kedua poin tersebut.
Berikut formula yang digunakan untuk menghitung jarak dengan Euclidean distance:

Keterangan:

N = Jumlah record dataK = Urutan field data

r =2

µk = Bobot field yang diberikan user

11
 Jarak adalah pendekatan yang umum dipakai untuk menentukan kesamaan atau
ketidaksamaan dua vektor fitur yang dinyatakan dengan ranking. Apabila nilai ranking yang
dihasilkan semakin kecil nilainya maka semakin dekat/tinggi kesamaan antara kedua vektor
tersebut. Teknik pengukuran jarak dengan metode Euclidean menjadi salah satu metode yang
paling umum digunakan. Pengukuran jarak dengan metode euclidean dapat dituliskan dengan
persamaan berikut:
Dimana v1 dan v2 adalah dua vektor yang jaraknya akan dihitung dan N menyatakan
panjang vektor.

2.7. Clustering
Clustering atau klasterisasi adalah metode pengelompokan data. Clustering adalah sebuah
proses untuk mengelompokkan data kedalam beberapa cluster atau kelompok sehingga data
dalam satu cluster memiliki tingkat kemiripan yang maksimum dan data antar cluster memiliki
kemiripan yang minimum.
2.8. Fungsi Clustering
1. Clustering merupakan metode segmentasi data yang sangat berguna dalam prediksi dan
analisa masalah bisnis tertentu. Misalnya Segmentasi pasar, marketing dan pemetaan
zonasi wilayah.
2. Identifikasi obyek dalam bidang berbagai bidang seperti computer vision dan image
processing.
2.9. Syarat Clustering
Menurut Han dan Kamber, 2012, syarat sekaligus tantangan yang harus dipenuhi oleh
suatu algoritma clustering adalah:

1. Skalabilitas
Suatu metode clustering harus mampu menangani data dalam jumlah yang besar. Saat ini
data dalam jumlah besar sudah sangat umum digunakan dalam berbagai bidang misalnya saja
suatu database. Tidak hanya berisi ratusan objek, suatu database dengan ukuran besar bahkan
berisi lebih dari jutaan objek.

2. Kemampuan analisa beragam bentuk data

Algortima klasteriasi harus mampu dimplementasikan pada berbagai macam bentuk data
seperti data nominal, ordinal maupun gabungannya.
12
3. Menemukan cluster dengan bentuk yang tidak terduga
Banyak algoritma clustering yang menggunakan metode Euclidean atau Manhattan yang
hasilnya berbentuk bulat. Padahal hasil clustering dapat berbentuk aneh dan tidak sama antara
satu dengan yang lain. Karenanya dibutuhkan kemampuan untuk menganalisa cluster
dengan bentuk apapun pada suatu algoritma clustering.
4. Kemampuan untuk dapat menangani noise
Data tidak selalu dalam keadaan baik. Ada kalanya terdapat data yang rusak, tidak
dimengerti atau hilang. Karena system inilah, suatu algortima clustering dituntut untuk mampu
menangani data yang rusak.
5. Sensitifitas terhadap perubahan input
Perubahan atau penambahan data pada input dapat menyebabkan terjadi perubahan
pada cluster yang telah ada bahkan bisa menyebabkan perubahan yang mencolok apabila
menggunakan algoritma clustering yang memiliki tingkat sensitifitas rendah.
6. Mampu melakukan clustering untuk data dimensi tinggi
Suatu kelompok data dapat berisi banyak dimensi ataupun atribut. Untuk itu diperlukan
algoritma clustering yang mampu menangani data dengan dimensi yang jumlahnya tidak
sedikit.
7. Interpresasi dan kegunaan
Hasil dari clustering harus dapat diinterpretasikan dan berguna.

2.10. Metode Clustering

Metode clustering secara umum dapat dibagi menjadi dua yaitu hierarchical
clusteringdan partitional clustering(Tan, 2011). Sebagai tambahan, terdapat pula metode
Density-Based dan Grid–Based yang juga sering diterapkan dalam implementasi clustering.
Berikut penjelasannya:

1. Hierarchical clustering
Pada hierarchical clusteringdata dikelompokkan melalui suatu bagan yang berupa
hirarki, dimana terdapat penggabungan dua grup yang terdekat disetiap iterasinya ataupun
pembagian dari seluruh set data kedalam cluster.

13
 Gambar 1.2. Hierarchical Clustering

Keterangan :
 Langkah melakukan Hierarchical clustering:
 Identifikasi item dengan jarak terdekat
 Gabungkan item itu kedalam satu cluster
 Hitung jarak antar cluster
 Ulangi dari awal sampai semua terhubung

Contoh metode hierarchy clustering : Single Linkage, Complete Linkage, Average

Linkage, Average Group Linkage.

2. Partitional Clustering
Partitional clustering yaitu data dikelompokkan ke dalam sejumlah cluster tanpa adanya
struktur hirarki antara satu dengan yang lainnya. Pada metode partitional clusteringsetiap
cluster memiliki titik pusat cluster (centroid) dan secara umum metode ini memiliki fungsi
tujuan yaitu meminimumkan jarak (dissimilarity) dari seluruh data ke pusat cluster masing-
masing. Contoh metode partitional clustering: K-Means, Fuzzy K- means dan Mixture

Modelling.

Gambar 1.3. Proses Clustering Obyek Menggunakan metode k-Mean

14
2.11. Metode K-Means

Metode K-means merupakan metode clustering yang paling sederhana dan umum. Hal ini
dikarenakan K-means mempunyai kemampuan mengelompokkan data dalam jumlah yang cukup
besar dengan waktu komputasi yang cepat dan efisien. K-Means merupakan salah satu
algoritma klastering dengan metode partisi (partitioning method) yang berbasis titik pusat
(centroid) selain algoritma k-Medoids yang berbasis obyek. Algoritma ini pertama kali
diusulkan oleh MacQueen (1967) dan dikembangkan oleh Hartigan dan Wong tahun 1975
dengan tujuan untuk dapat membagi M data point dalam N dimensi kedalam sejumlah k cluster
dimana proses klastering dilakukan dengan meminimalkan jarak sum squares antara data
dengan masing masing pusat cluster (centroid-based). Algoritma k- Means dalam penerapannya
memerlukan tiga parameter yang seluruhnya ditentukan pengguna yaitu jumlah cluster k,
inisialisasi klaster, dan jarak system, Biasanya, k-Means dijalankan secara independen dengan
inisialisasi yang berbeda menghasilkan cluster akhir yang berbeda karena algoritma ini secara
prinsip hanya mengelompokan data menuju local minimal. Salah satu cara untuk mengatasi
local minima adalah dengan mengimplementasikan algoritma k-Means, untuk K yang
diberikan, dengan beberapa nilai initial partisi yang berbeda dan selanjutnya dipilih partisi
dengan kesalahan kuadrat terkecil(Jain, 2009).

K-Means adalah teknik yang cukup sederhana dan cepat dalam proses clustering obyek
(clustering). Algoritma k- means mendefinisikan centroid atau pusat cluster dari cluster
menjadi rata-rata point dari cluster [Link] penerapan algoritma k-Means, jika
diberikan sekumpulan data X = {x1, x2, …,xn} dimana xi = (xi1, xi2, …, xin) adalah ystem dalam
ruang real Rn, maka algoritma k-Means akan menyusun partisi X dalam sejumlah k cluster (a
priori). Setiap cluster memiliki titik tengah (centroid) yang merupakan nilai rata rata (mean)
dari data-data dalam cluster tersebut. Tahapan awal, algoritma k-Means adalah memilih secara
acak sebuah obyek sebagai centroid dalam data. Kemudian, jarak antara obyek dan
centroid dihitung menggunakan Euclidian distance. Algoritma k - Means secara iterative
meningkatkan variasi nilai dalam dalam tiap tiap cluster dimana obyek selanjutnya ditempatkan
dalam kelompok yang terdekat, dihitung dari titik tengah klaster. Titik tengah baru ditentukan
bila semua data telah ditempatkan dalam cluster terdekat. Proses penentuan titik tengah dan
penempatan data dalam cluster diulangi sampai nilai titik tengah dari semua cluster yang
terbentuk tidak berubah lagi (Han dkk, 2012).
Algoritma k-means:
 Langkah 1: Tentukan berapa banyak cluster k dari dataset yang akan dibagi.
 Langkah 2: Tetapkan secara acak data k menjadi pusat awal lokasi klaster.

15
2.12. Konsep K - Means

Dalam statistik dan mesin pembelajaran, pengelompokan K-Means merupakan metode

analisis kelompok yang mengarah pada pemartisian N objek pengamatan dimiliki oleh sebuah
kelompok dengan mean (rata-rata) terdekat, mirip dengan algoritma Expectation -Maximization
untuk Gaussian Mixture dimana keduanya mencoba untuk menemukan pusat dari kelompok
dalam data sebanyak iterasi perbaikan yang dilakukan oleh kedua algoritma.

K-Means merupakan salah satu metode pengelompokan data non hierarki (sekatan) yang
berusaha mempartisi data yang ada kedalam bentuk dua atau lebih kelompok. Metode ini
mempartisi data kedalam kelompok sehingga data berkarakteristik sama dimasukkan kedalam
satu kelompok yang sama dan data yang berkarakteristik berbeda dikelompokkan kedalam
kelompok yang lain.

2.13. K – Means
Algoritma K-Means merupakan salah satu algoritma dengan partitional, karena K- Means
didasarkan pada penentuan jumlah awal kelompok dengan mendefinisikan nilai centroid
awalnya. Algoritma K-Means menggunakan proses secara berulang-ulang untuk mendapatkan
basis data cluster. Dibutuhkan jumlah cluster awal yang diinginkan sebagai masukan dan
menghasilkan jumlah cluster akhir sebagai output. Jika algoritma diperlukan untuk
menghasilkan cluster K maka akan ada K awal dan K akhir. Metode K-Means akan memilih
polak sebagai titik awal centroid secara acak. Jumlah literasi untuk mencapai cluster centroid
akan dipengaruhi oleh calon cluster centroid awal secara random dimana jika posisi centroid
baru tidak berubah. Nilai K yang dipilih menjadi pusat awal, akan dihitung dengan
menggunakan rumus Euclidean Distance yaitu mencari jarak terdekat antara titik centroid
dengan data/objek.
Data yang memiliki jarak pendek atau terdekat dengan centroid akan membentuk sebuah
cluster.
Dasar algoritma k-means adalah sebagai berikut:
1. Tentukan K sebagai jumlah cluster yang akandibentuk
2. Tentukan k Centroid (titik pusat cluster) awal secara random/acak.

16
 Dimana ; v : centroid pada cluster

xi : objek ke-i

n : banyaknya objek/jumlah objek yang menjadi anggota cluster.

1. Hitung jarak setiap objek kemasing – masing centroid dari masing-masing cluster. Untuk
menghitung jarak antara objek dengan centroid dapat menggunakan Euclidian Distance.

Dimana ;

xi : objek x ke-i

yi : daya y ke-i

n : banyaknya objek

1. Alokasikan masing-masing objek ke dalam centroid yang paling dekat.

2. Lakukan iterasi, kemudian tentukan posisi centroid baru dengan menggunakan persamaan.
3. Ulangi langkah 3 jika posisi centroid baru tidak sama dengan centroid akan membentuk
sebuah cluster.

2.14. Metode Algoritma K-means clustering

Algoritma K-means clustering dilakukang dengan proses sebagai berikut:
Langkah 1: tentukan jumlah cluster (K).
Langkah 2: pilih titik acak sebanyak (K).
Titik ini merupakan titik seed dan akan menjadi titik centroid proses pertama. Titik ini tidak
harus titik data kita
Langkah 3: label semua data berdasarkan titik centroid terdekat.
Semua data diberikan label mengikuti titik centroid dari setiap klaster. Perhitungan jarak ini
bisa menggunakan algoritma jarak tertentu, secara default dilakukan dengan Euclidean Distance
Langkah 4: tentukan titik centroid baru berdasarkan cluster yang terbentuk.
Titik centroid selanjutnya “berpindah” ke lokasi centroid setiap cluster yang telah terbentuk.
Langkah 5: label ulang data berdasarkan jarak terdekat terhadap centroid baru.
Langkah ini merupakan langkah yang sama dengan langkah ketiga. Perhatikan titik data yang
diberikan tanda panah, berubah dari cluster merah ke cluster biru.

16
Langkah 6: ulangi langkah 4 dan langkah 5 sampai tidak ada pergerakan lagi.
Secara berulang, algoritma akan mencari lokasi centroid baru dan melabel data berdasarkan
centroid tersebut sampai mendapat hasil final, yaitu tidak ada lagi perpindahan centroid di setiap
cluster.

Untuk lebih jelasnya, lihat penjelasan dan ilustrasi dalam gambar di bawah ini. Klik kanan
dan pilih Open image in new tab untuk gambar yang lebih besar.

Advertisements Dalam contoh ini, kita tetapkan bahwa K =3

Gambar 2.4 K-means cluster langkah demi langkah

17
 Selain jumlah klaster (K), parameter yang penting yang harus ditentukan oleh analisis
adalah bagaimana jarak antara titik ke centroid (lihat langkah 3 dan 5).
Dalam k-means clustering, jarak ini dapat diukur menggunakan jarak:
 Euclidean distance
 Manhattan distance
 A squared euclidean distance measure
 Cosine distance measure

Pemilihan metode pengukuran jarak ini akan mempengaruhi bagaimana algoritma

menghitung kesamaan dalam klaster dan bentuk klaster.

Kita sebagai analis harus dapat menentukan pengukuran jarak mana yang paling sesuai
dengan kasus kita. Meskipun demikian, sebagian besar k-means dilakukan dengan
pengukuran jarak euclidean (default).

18
 BAB 3
HASIL DAN PEMBAHASAN
3.1. Implementasi
Implementasi Data mining Terhadap data Pasien Covid-19 Disetiap Provinsi
Menggunakan Metode Non Hierarki Pada Kasus ini Membutuhkan beberapa aplikasi
pendukung, yaitu Microsoft Excel 2010.

3.2. Persiapan Data Pasien

Sebelum dapat melakukan pengujian terhadap data yang ada, maka langkah yang
dilakukan adalah mempersiapkan data Pasien terlebih dahulu yang bersumber dari data
pasien diseluruh provinsi Indonesia, dengan jumlah data yang digunakan sebanyak 34 data.
Data Pasien dibuat menggunakan aplikasi Microsoft Excel 2010 yang terdiri dari kolom ID
sebagai Jumlah penduduk dan kolom atribut sebagai nama dari setiap item. Adapun data
Pasien, dapat dilihat pada gambar 3.1 berikut;

No Provinsi Positif Sembuh Meninggal

1 Aceh 19 13 1
2 Bali 440 304 4
3 Banten 807 243 65
4 Bangka Belitung 46 23 1
5 Bengkulu 80 16 2
6 DI Yogyakarta 222 143 8
7 DKI Jakarta 7072 1917 489
8 Jambi 92 11 0
9 Jawa Barat 2155 589 140
10 Jawa Tengah 1314 340 65
11 Jawa Timur 4651 574 365
12 Kalimantan Barat 182 50 4
13 Kalimantan Timur 250 162 3
14 Kalimantan Tengah 370 88 11
15 Kalimantan Selatan 827 98 77
16 Kalimantan Utara 161 63 2
17 Kepulauan Riau 190 98 15
18 NTB 562 215 10
19 Sumatera Selatan 946 184 33
20 Sumatera Barat 525 253 24
21 Sulawesi Utara 297 51 36
22 Sumatera Utara 382 118 40
23 Sulawesi Tenggara 218 110 3
24 Sulawesi Selatan 1415 564 71
25 Sulawesi Tengah 125 61 4
26 Lampung 126 68 9
27 Riau 112 81 6
28 Maluku Utara 147 26 11
29 Maluku 192 36 6
30 Papua Barat 159 51 2
31 Papua 632 68 6
32 Sulawesi Barat 91 38 2
33 NTT 92 14 1
34 Gorontalo 90 21 3

Gambar 3.1 Data Pasien

19
3.3. Data Mining

Merupakan suatu proses utama saat metode diterapkan untuk menemukan

pengetahuan berharga dan tersembunyi dari data. Untuk menghasilkan kelompok penduduk
prioritas diantara ratusan data yang ada lebih tepat menggunakan metode Cluster, karena
metode ini akan mengelompokkan anggota sejenis dan memisahkan anggota lain tidak sejenis
pada kelompok lainnya. Dalam penelitian ini penulis menggunakan algoritma K-Means yang
akan diuraikan lebih lanjut pada tahapan dibawah ini.

1. Pembentukan Cluster dan Centroid Berdasarkan data yang telah digali sesuai dengan
kriteria, dapat ditentukan centroid sebagai batas cluster. Dimana kami menggunakan 3
Kluster yang dibentuk, nilai centroid (M) dan cluster tersebut ditentukanpada data ke 10 ,20
dan 30 pada data pasien dan dapat dilihat pada gambar berikut:

Centroid 1 Positif Sembuh Meninggal

C1 Jawa Tengah 1314 340 65

Centroid 2
C2 Sumatera Barat 525 253 24

Centroid 3
C3 Papua Barat 159 51 2

Tabel 3.2. Nilai Centroid (M) Tahap Awal

20
2. Pengujian data pada Centroid 1 dan Centroid 2 untuk mendapatkan nilai Cluster 1, 2 dan
Cluster 3.
Centroid 1

Positif Sembuh Meninggal Positif Sembuh Meninggal Jumlah Akar (D1)

-1295 -327 -64 1,677,025 106,929 4,096 1,788,050 1,337.18
-874 -36 -61 763,876 1,296 3,721 768,893 876.87
-507 -97 0 257,049 9,409 - 266,458 516.20
-1268 -317 -64 1,607,824 100,489 4,096 1,712,409 1,308.59
-1234 -324 -63 1,522,756 104,976 3,969 1,631,701 1,277.38
-1092 -197 -57 1,192,464 38,809 3,249 1,234,522 1,111.09
5758 1577 424 33,154,564 2,486,929 179,776 35,821,269 5,985.09
-1222 -329 -65 1,493,284 108,241 4,225 1,605,750 1,267.18
841 249 75 707,281 62,001 5,625 774,907 880.29
0 0 0 - - - - -
3337 234 300 11,135,569 54,756 90,000 11,280,325 3,358.62
-1132 -290 -61 1,281,424 84,100 3,721 1,369,245 1,170.15
-1064 -178 -62 1,132,096 31,684 3,844 1,167,624 1,080.57
-944 -252 -54 891,136 63,504 2,916 957,556 978.55
-487 -242 12 237,169 58,564 144 295,877 543.95
-1153 -277 -63 1,329,409 76,729 3,969 1,410,107 1,187.48
-1124 -242 -50 1,263,376 58,564 2,500 1,324,440 1,150.84
-752 -125 -55 565,504 15,625 3,025 584,154 764.30
-368 -156 -32 135,424 24,336 1,024 160,784 400.98
-789 -87 -41 622,521 7,569 1,681 631,771 794.84
-1017 -289 -29 1,034,289 83,521 841 1,118,651 1,057.66
-932 -222 -25 868,624 49,284 625 918,533 958.40
-1096 -230 -62 1,201,216 52,900 3,844 1,257,960 1,121.59
101 224 6 10,201 50,176 36 60,413 245.79
-1189 -279 -61 1,413,721 77,841 3,721 1,495,283 1,222.82
-1188 -272 -56 1,411,344 73,984 3,136 1,488,464 1,220.03
-1202 -259 -59 1,444,804 67,081 3,481 1,515,366 1,231.00
-1167 -314 -54 1,361,889 98,596 2,916 1,463,401 1,209.71
-1122 -304 -59 1,258,884 92,416 3,481 1,354,781 1,163.95
-1155 -289 -63 1,334,025 83,521 3,969 1,421,515 1,192.27
-682 -272 -59 465,124 73,984 3,481 542,589 736.61
-1223 -302 -63 1,495,729 91,204 3,969 1,590,902 1,261.31
-1222 -326 -64 1,493,284 106,276 4,096 1,603,656 1,266.36
-1224 -319 -62 1,498,176 101,761 3,844 1,603,781 1,266.40

Gambar 3.3 Hasil Pengujian Data Pada Centroid 1

21
Centroid 2

Positif Sembuh Meninggal Positif Sembuh Meninggal Jumlah Akar (D2)

-506 -240 -23 256,036 57,600 529 314,165 560.50
-85 51 -20 7,225 2,601 400 10,226 101.12
282 -10 41 79,524 100 1,681 81,305 285.14
-479 -230 -23 229,441 52,900 529 282,870 531.86
-445 -237 -22 198,025 56,169 484 254,678 504.66
-303 -110 -16 91,809 12,100 256 104,165 322.75
6547 1664 465 42,863,209 2,768,896 216,225 45,848,330 6,771.14
-433 -242 -24 187,489 58,564 576 246,629 496.62
1630 336 116 2,656,900 112,896 13,456 2,783,252 1,668.31
789 87 41 622,521 7,569 1,681 631,771 794.84
4126 321 341 17,023,876 103,041 116,281 17,243,198 4,152.49
-343 -203 -20 117,649 41,209 400 159,258 399.07
-275 -91 -21 75,625 8,281 441 84,347 290.43
-155 -165 -13 24,025 27,225 169 51,419 226.76
302 -155 53 91,204 24,025 2,809 118,038 343.57
-364 -190 -22 132,496 36,100 484 169,080 411.19
-335 -155 -9 112,225 24,025 81 136,331 369.23
37 -38 -14 1,369 1,444 196 3,009 54.85
421 -69 9 177,241 4,761 81 182,083 426.71
0 0 0 - - - - -
-228 -202 12 51,984 40,804 144 92,932 304.85
-143 -135 16 20,449 18,225 256 38,930 197.31
-307 -143 -21 94,249 20,449 441 115,139 339.32
890 311 47 792,100 96,721 2,209 891,030 943.94
-400 -192 -20 160,000 36,864 400 197,264 444.14
-399 -185 -15 159,201 34,225 225 193,651 440.06
-413 -172 -18 170,569 29,584 324 200,477 447.75
-378 -227 -13 142,884 51,529 169 194,582 441.11
-333 -217 -18 110,889 47,089 324 158,302 397.87
-366 -202 -22 133,956 40,804 484 175,244 418.62
107 -185 -18 11,449 34,225 324 45,998 214.47
-434 -215 -22 188,356 46,225 484 235,065 484.84
-433 -239 -23 187,489 57,121 529 245,139 495.12
-435 -232 -21 189,225 53,824 441 243,490 493.45

Gambar 3.4 Hasil Pengujian Data Pada Centroid 2

22
Centroid 3
Positif Sembuh Meninggal Positif Sembuh Meninggal Jumlah Akar (D3)
-140 -38 -1 19,600 1,444 1 21,045 145
281 253 2 78,961 64,009 4 142,974 378
648 192 63 419,904 36,864 3,969 460,737 679
-113 -28 -1 12,769 784 1 13,554 116
-79 -35 0 6,241 1,225 - 7,466 86
63 92 6 3,969 8,464 36 12,469 112
6913 1866 487 47,789,569 3,481,956 237,169 51,508,694 7,177
-67 -40 -2 4,489 1,600 4 6,093 78
1996 538 138 3,984,016 289,444 19,044 4,292,504 2,072
1155 289 63 1,334,025 83,521 3,969 1,421,515 1,192
4492 523 363 20,178,064 273,529 131,769 20,583,362 4,537
23 -1 2 529 1 4 534 23
91 111 1 8,281 12,321 1 20,603 144
211 37 9 44,521 1,369 81 45,971 214
668 47 75 446,224 2,209 5,625 454,058 674
2 12 0 4 144 - 148 12
31 47 13 961 2,209 169 3,339 58
403 164 8 162,409 26,896 64 189,369 435
787 133 31 619,369 17,689 961 638,019 799
366 202 22 133,956 40,804 484 175,244 419
138 0 34 19,044 - 1,156 20,200 142
223 67 38 49,729 4,489 1,444 55,662 236
59 59 1 3,481 3,481 1 6,963 83
1256 513 69 1,577,536 263,169 4,761 1,845,466 1,358
-34 10 2 1,156 100 4 1,260 35
-33 17 7 1,089 289 49 1,427 38
-47 30 4 2,209 900 16 3,125 56
-12 -25 9 144 625 81 850 29
33 -15 4 1,089 225 16 1,330 36
0 0 0 - - - - -
473 17 4 223,729 289 16 224,034 473
-68 -13 0 4,624 169 - 4,793 69
-67 -37 -1 4,489 1,369 1 5,859 77
-69 -30 1 4,761 900 1 5,662 75

Gambar 3.4 Hasil Pengujian Data Pada Centroid 3

23
3. Penentuan Centroid 1, 2 dan 3 pada hasil data yang diperoleh saat melakukan
pengujian penentuan Cluster.
No Provinsi Positif Sembuh Meninggal Akar (D1) Akar (D2) Akar (D3)
1 Aceh 19 13 1 1,337.18 560.50 145.07
2 Bali 440 304 4 876.87 101.12 378.12
3 Banten 807 243 65 516.20 285.14 678.78
4 Bangka Belitung 46 23 1 1,308.59 531.86 116.42
5 Bengkulu 80 16 2 1,277.38 504.66 86.41
6 DI Yogyakarta 222 143 8 1,111.09 322.75 111.66
7 DKI Jakarta 7072 1917 489 5,985.09 6,771.14 7,176.96
8 Jambi 92 11 0 1,267.18 496.62 78.06
9 Jawa Barat 2155 589 140 880.29 1,668.31 2,071.84
10 Jawa Tengah 1314 340 65 - 794.84 1,192.27
11 Jawa Timur 4651 574 365 3,358.62 4,152.49 4,536.89
12 Kalimantan Barat 182 50 4 1,170.15 399.07 23.11
13 Kalimantan Timur 250 162 3 1,080.57 290.43 143.54
14 Kalimantan Tengah 370 88 11 978.55 226.76 214.41
15 Kalimantan Selatan 827 98 77 543.95 343.57 673.84
16 Kalimantan Utara 161 63 2 1,187.48 411.19 12.17
17 Kepulauan Riau 190 98 15 1,150.84 369.23 57.78
18 NTB 562 215 10 764.30 54.85 435.17
19 Sumatera Selatan 946 184 33 400.98 426.71 798.76
20 Sumatera Barat 525 253 24 794.84 - 418.62
21 Sulawesi Utara 297 51 36 1,057.66 304.85 142.13
22 Sumatera Utara 382 118 40 958.40 197.31 235.93
23 Sulawesi Tenggara 218 110 3 1,121.59 339.32 83.44
24 Sulawesi Selatan 1415 564 71 245.79 943.94 1,358.48
25 Sulawesi Tengah 125 61 4 1,222.82 444.14 35.50
26 Lampung 126 68 9 1,220.03 440.06 37.78
27 Riau 112 81 6 1,231.00 447.75 55.90
28 Maluku Utara 147 26 11 1,209.71 441.11 29.15
29 Maluku 192 36 6 1,163.95 397.87 36.47
30 Papua Barat 159 51 2 1,192.27 418.62 -
31 Papua 632 68 6 736.61 214.47 473.32
32 Sulawesi Barat 91 38 2 1,261.31 484.84 69.23
33 NTT 92 14 1 1,266.36 495.12 76.54
34 Gorontalo 90 21 3 1,266.40 493.45 75.25

Gambar 3.5. Cluster yang diperoleh dari pengujian centroid 1,2 dan 3

Kluster 1 = (7,9,10,11,19,24)
Kluster 2 =(2,3,15,20,22,31)
Kluster 3 = (1,4,5,6,12,13,14,16,17,18,
21,23,25,26,27,28,29,30,32,33,34)

24
4. Pengujian selanjutnya data pada Centroid 1,2 dan Centroid 3 untuk mendapatkan
nilai Cluster 1 dan Cluster 2 dan Cluster 3 yang baru.
Centroid 1
Positif Sembuh Meninggal Positif Sembuh Meninggal Jumlah Akar (D1)
-2906.5 -681.666667 -192.83333 8,447,742 464,669 37,185 8,949,596 2,991.59
-2485.5 -390.666667 -189.83333 6,177,710 152,620 36,037 6,366,367 2,523.17
-2118.5 -451.666667 -128.83333 4,488,042 204,003 16,598 4,708,643 2,169.94
-2879.5 -671.666667 -192.83333 8,291,520 451,136 37,185 8,779,841 2,963.08
-2845.5 -678.666667 -191.83333 8,096,870 460,588 36,800 8,594,259 2,931.60
-2703.5 -551.666667 -185.83333 7,308,912 304,336 34,534 7,647,782 2,765.46
4146.5 1222.33333 295.166667 17,193,462 1,494,099 87,123 18,774,684 4,332.98
-2833.5 -683.666667 -193.83333 8,028,722 467,400 37,571 8,533,694 2,921.25
-770.5 -105.666667 -53.833333 593,670 11,165 2,898 607,734 779.57
-1611.5 -354.666667 -128.83333 2,596,932 125,788 16,598 2,739,319 1,655.09
1725.5 -120.666667 171.166667 2,977,350 14,560 29,298 3,021,209 1,738.16
-2743.5 -644.666667 -189.83333 7,526,792 415,595 36,037 7,978,424 2,824.61
-2675.5 -532.666667 -190.83333 7,158,300 283,734 36,417 7,478,451 2,734.68
-2555.5 -606.666667 -182.83333 6,530,580 368,044 33,428 6,932,053 2,632.88
-2098.5 -596.666667 -116.83333 4,403,702 356,011 13,650 4,773,363 2,184.80
-2764.5 -631.666667 -191.83333 7,642,460 399,003 36,800 8,078,263 2,842.23
-2735.5 -596.666667 -178.83333 7,482,960 356,011 31,981 7,870,953 2,805.52
-2363.5 -479.666667 -183.83333 5,586,132 230,080 33,795 5,850,007 2,418.68
-1979.5 -510.666667 -160.83333 3,918,420 260,780 25,867 4,205,068 2,050.63
-2400.5 -441.666667 -169.83333 5,762,400 195,069 28,843 5,986,313 2,446.69
-2628.5 -643.666667 -157.83333 6,909,012 414,307 24,911 7,348,230 2,710.76
-2543.5 -576.666667 -153.83333 6,469,392 332,544 23,665 6,825,601 2,612.59
-2707.5 -584.666667 -190.83333 7,330,556 341,835 36,417 7,708,809 2,776.47
-1510.5 -130.666667 -122.83333 2,281,610 17,074 15,088 2,313,772 1,521.11
-2800.5 -633.666667 -189.83333 7,842,800 401,533 36,037 8,280,370 2,877.56
-2799.5 -626.666667 -184.83333 7,837,200 392,711 34,163 8,264,075 2,874.73
-2813.5 -613.666667 -187.83333 7,915,782 376,587 35,281 8,327,650 2,885.77
-2778.5 -668.666667 -182.83333 7,720,062 447,115 33,428 8,200,605 2,863.67
-2733.5 -658.666667 -187.83333 7,472,022 433,842 35,281 7,941,145 2,818.00
-2766.5 -643.666667 -191.83333 7,653,522 414,307 36,800 8,104,629 2,846.86
-2293.5 -626.666667 -187.83333 5,260,142 392,711 35,281 5,688,135 2,384.98
-2834.5 -656.666667 -191.83333 8,034,390 431,211 36,800 8,502,401 2,915.89
-2833.5 -680.666667 -192.83333 8,028,722 463,307 37,185 8,529,214 2,920.48
-2835.5 -673.666667 -190.83333 8,040,060 453,827 36,417 8,530,304 2,920.67

Gambar 3.6 . Hasil yang diperoleh dari pengujian data pada centroid 1

25
Centroid 2

Positif Sembuh Meninggal Positif Sembuh Meninggal Jumlah Akar (D2)

-583.16667 -167.6666667 -35 340,083 28,112 1,225 369,420 607.80
-162.16667 123.3333333 -32 26,298 15,211 1,024 42,533 206.24
204.833333 62.33333333 29 41,957 3,885 841 46,683 216.06
-556.16667 -157.6666667 -35 309,321 24,859 1,225 335,405 579.14
-522.16667 -164.6666667 -34 272,658 27,115 1,156 300,929 548.57
-380.16667 -37.66666667 -28 144,527 1,419 784 146,729 383.05
6469.83333 1736.333333 453 41,858,743 3,014,853 205,209 45,078,806 6,714.08
-510.16667 -169.6666667 -36 260,270 28,787 1,296 290,353 538.84
1552.83333 408.3333333 104 2,411,291 166,736 10,816 2,588,843 1,608.99
711.833333 159.3333333 29 506,707 25,387 841 532,935 730.02
4048.83333 393.3333333 329 16,393,051 154,711 108,241 16,656,003 4,081.18
-420.16667 -130.6666667 -32 176,540 17,074 1,024 194,638 441.18
-352.16667 -18.66666667 -33 124,021 348 1,089 125,459 354.20
-232.16667 -92.66666667 -25 53,901 8,587 625 63,113 251.22
224.833333 -82.66666667 41 50,550 6,834 1,681 59,065 243.03
-441.16667 -117.6666667 -34 194,628 13,845 1,156 209,629 457.85
-412.16667 -82.66666667 -21 169,881 6,834 441 177,156 420.90
-40.166667 34.33333333 -26 1,613 1,179 676 3,468 58.89
343.833333 3.333333333 -3 118,221 11 9 118,241 343.86
-77.166667 72.33333333 -12 5,955 5,232 144 11,331 106.45
-305.16667 -129.6666667 0 93,127 16,813 - 109,940 331.57
-220.16667 -62.66666667 4 48,473 3,927 16 52,416 228.95
-384.16667 -70.66666667 -33 147,584 4,994 1,089 153,667 392.00
812.833333 383.3333333 35 660,698 146,944 1,225 808,867 899.37
-477.16667 -119.6666667 -32 227,688 14,320 1,024 243,032 492.98
-476.16667 -112.6666667 -27 226,735 12,694 729 240,157 490.06
-490.16667 -99.66666667 -30 240,263 9,933 900 251,097 501.10
-455.16667 -154.6666667 -25 207,177 23,922 625 231,723 481.38
-410.16667 -144.6666667 -30 168,237 20,928 900 190,065 435.96
-443.16667 -129.6666667 -34 196,397 16,813 1,156 214,366 463.00
29.8333333 -112.6666667 -30 890 12,694 900 14,484 120.35
-511.16667 -142.6666667 -34 261,291 20,354 1,156 282,801 531.79
-510.16667 -166.6666667 -35 260,270 27,778 1,225 289,273 537.84
-512.16667 -159.6666667 -33 262,315 25,493 1,089 288,897 537.49

Gambar 3.7 . Hasil yang diperoleh dari pengujian data pada centroid 2

26
 Centroid 3

Positif Sembuh Meninggal Positif Sembuh Meninggal Jumlah Akar (D3)

-154.772727 -52.4090909 -5.3636364 23,955 2,747 29 26,730 163
266.227273 238.590909 -2.3636364 70,877 56,926 6 127,808 358
633.227273 177.590909 58.6363636 400,977 31,539 3,438 435,954 660
-127.772727 -42.4090909 -5.3636364 16,326 1,799 29 18,153 135
-93.7727273 -49.4090909 -4.3636364 8,793 2,441 19 11,254 106
48.2272727 77.5909091 1.63636364 2,326 6,020 3 8,349 91
6898.22727 1851.59091 482.636364 47,585,540 3,428,389 232,938 51,246,866 7,159
-81.7727273 -54.4090909 -6.3636364 6,687 2,960 40 9,688 98
1981.22727 523.590909 133.636364 3,925,262 274,147 17,859 4,217,268 2,054
1140.22727 274.590909 58.6363636 1,300,118 75,400 3,438 1,378,957 1,174
4477.22727 508.590909 358.636364 20,045,564 258,665 128,620 20,432,849 4,520
8.22727273 -15.4090909 -2.3636364 68 237 6 311 18
76.2272727 96.5909091 -3.3636364 5,811 9,330 11 15,152 123
196.227273 22.5909091 4.63636364 38,505 510 21 39,037 198
653.227273 32.5909091 70.6363636 426,706 1,062 4,989 432,758 658
-12.7727273 -2.40909091 -4.3636364 163 6 19 188 14
16.2272727 32.5909091 8.63636364 263 1,062 75 1,400 37
388.227273 149.590909 3.63636364 150,720 22,377 13 173,111 416
772.227273 118.590909 26.6363636 596,335 14,064 709 611,108 782
351.227273 187.590909 17.6363636 123,361 35,190 311 158,862 399
123.227273 -14.4090909 29.6363636 15,185 208 878 16,271 128
208.227273 52.5909091 33.6363636 43,359 2,766 1,131 47,256 217
44.2272727 44.5909091 -3.3636364 1,956 1,988 11 3,956 63
1241.22727 498.590909 64.6363636 1,540,645 248,593 4,178 1,793,416 1,339
-48.7727273 -4.40909091 -2.3636364 2,379 19 6 2,404 49
-47.7727273 2.59090909 2.63636364 2,282 7 7 2,296 48
-61.7727273 15.5909091 -0.3636364 3,816 243 0 4,059 64
-26.7727273 -39.4090909 4.63636364 717 1,553 21 2,291 48
18.2272727 -29.4090909 -0.3636364 332 865 0 1,197 35
-14.7727273 -14.4090909 -4.3636364 218 208 19 445 21
458.227273 2.59090909 -0.3636364 209,972 7 0 209,979 458
-82.7727273 -27.4090909 -4.3636364 6,851 751 19 7,622 87
-81.7727273 -51.4090909 -5.3636364 6,687 2,643 29 9,358 97
-83.7727273 -44.4090909 -3.3636364 7,018 1,972 11 9,001 95

Gambar 3.8 . Hasil yang diperoleh dari pengujian data pada centroid 3

27
5. Penentuan Centroid 1, 2 dan 3 pada hasil data yang diperoleh saat melakukan
pengujian kedua penetuan Cluster. Yaitu dengan mencari rata-rata cluster 1 untuk
centroid 1 dan rata-rata cluster 2 untuk centroid 2 rata-rata cluster 3 untuk centroid 3.

Centroid 1 Positif Sembuh Meninggal

C1 Jawa Tengah 2,925.50 694.67 193.83

Centroid 2
C2 Sumatera Barat 602.17 180.67 36.00

Centroid 3
C3 Papua Barat 173.77 65.41 6.36

6. Hasil pengujian Yang diperoleh Dari Ketiga Centroid

No Provinsi Positif Sembuh Meninggal Akar (D1) Akar (D2) Akar (D3)
1 Aceh 19 13 1 2,991.59 607.80 163.49
2 Bali 440 304 4 2,523.17 206.24 357.50
3 Banten 807 243 65 2,169.94 216.06 660.27
4 Bangka Belitung 46 23 1 2,963.08 579.14 134.73
5 Bengkulu 80 16 2 2,931.60 548.57 106.08
6 DI Yogyakarta 222 143 8 2,765.46 383.05 91.37
7 DKI Jakarta 7072 1917 489 4,332.98 6,714.08 7,158.69
8 Jambi 92 11 0 2,921.25 538.84 98.43
9 Jawa Barat 2155 589 140 779.57 1,608.99 2,053.60
10 Jawa Tengah 1314 340 65 1,655.09 730.02 1,174.29
11 Jawa Timur 4651 574 365 1,738.16 4,081.18 4,520.27
12 Kalimantan Barat 182 50 4 2,824.61 441.18 17.63
13 Kalimantan Timur 250 162 3 2,734.68 354.20 123.09
14 Kalimantan Tengah 370 88 11 2,632.88 251.22 197.58
15 Kalimantan Selatan 827 98 77 2,184.80 243.03 657.84
16 Kalimantan Utara 161 63 2 2,842.23 457.85 13.71
17 Kepulauan Riau 190 98 15 2,805.52 420.90 37.42
18 NTB 562 215 10 2,418.68 58.89 416.07
19 Sumatera Selatan 946 184 33 2,050.63 343.86 781.73
20 Sumatera Barat 525 253 24 2,446.69 106.45 398.57
21 Sulawesi Utara 297 51 36 2,710.76 331.57 127.56
22 Sumatera Utara 382 118 40 2,612.59 228.95 217.38
23 Sulawesi Tenggara 218 110 3 2,776.47 392.00 62.89
24 Sulawesi Selatan 1415 564 71 1,521.11 899.37 1,339.18
25 Sulawesi Tengah 125 61 4 2,877.56 492.98 49.03
26 Lampung 126 68 9 2,874.73 490.06 47.92
27 Riau 112 81 6 2,885.77 501.10 63.71
28 Maluku Utara 147 26 11 2,863.67 481.38 47.87
29 Maluku 192 36 6 2,818.00 435.96 34.60
30 Papua Barat 159 51 2 2,846.86 463.00 21.09
31 Papua 632 68 6 2,384.98 120.35 458.23
32 Sulawesi Barat 91 38 2 2,915.89 531.79 87.30
33 NTT 92 14 1 2,920.48 537.84 96.74
34 Gorontalo 90 21 3 2,920.67 537.49 94.88

Kluster 1 = (7,9,11)
Kluster 2 =(2,3,10,15,19,20,24,31)
Kluster 3 = (1,4,5,6,8,12,13,14,16,17,18,
21,22,23,25,26,27,28,29,30,32,33,34)

28
 DAFTAR PUSTAKA

[1] [Link]

[2] [Link]

[3] [Link]
analysis/

[4] [Link]

[5] [Link]

29