Perbandingan Algoritma K-Means dan Fuzzy C-Means Untuk Clustering Puskesmas Berdasarkan Gizi Balita Surabaya

Alvin Kurnia

doi:10.33998/processor.2023.18.1.696

Authors

Alvin Kurnia a:1:{s:5:"en_US";s:45:"Universitas Islam Negeri Sunan Ampel Surabaya";}

DOI:

https://doi.org/10.33998/processor.2023.18.1.696

Keywords:

Clustering, Algoritma, K-Means, Fuzzy, C-Means

Abstract

Diseased environments and low public awareness of environmental hygiene in several cities in Indonesia make many people, especially young children, susceptible to various diseases. The 63 Puskesmas in Surabaya City have weighed 148,720 toddlers. There are 4.2% of toddlers with malnutrition, 0.1% of toddlers with malnutrition and 4.5% of toddlers with stunting. Clustering is a technique in data mining that aims to group objects (data) into several clusters or groups so that similar objects are united into the same cluster. This method is to implement, test, and evaluate the K-Means and Fuzzy C-Means algorithms in clustering. so the results of this study are to classify health centers based on toddler nutrition in the city of Surabaya. The best silhouette coefficient results from K-Means with the Normalization process is 0.51833215835383. While the best result on the Fuzzy C-Means algorithm with the Normalization process is 0.49666983222478. So it can be concluded that the K-Means Algorithm is better at clustering Puskesmas based on toddler nutrition in Surabaya City.

Downloads

Download data is not yet available.

References

. Adha, R., Nurhaliza, N., Sholeha, U., & Mustakim, M. (2021). Perbandingan Algoritma DBSCAN dan K-Means Clustering

untuk Pengelompokan Kasus Covid-19 di Dunia. SITEKIN: Jurnal Sains, Teknologi dan Industri, 18(2), 206-211

. Agustina, N., & Prihandoko, P. (2018). Perbandingan Algoritma K-Means dengan Fuzzy C-Means Untuk Clustering Tingkat Kedisiplinan Kinerja Karyawan. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 2(3), 621-626.

. Buaton, R., Sundari, Y., & Maulita, Y. (2016). Clustering Tindak Kekerasan Pada Anak Menggunakan Algoritma K-Means Dengan Perbandingan Jarak Kedekatan Manhattan City Dan Euclidean. MEANS (Media Informasi Analisa dan Sistem), 47-53.

. Dwididanti, S., & Anggoro, D. A. (2022). Analisis Perbandingan Algoritma Bisecting K-Means dan Fuzzy C-Means pada Data Pengguna Kartu Kredit. Emitor: Jurnal Teknik Elektro, 22(2).

. Fakhri, D. A., & Defit, S. (2021). Optimalisasi Pelayanan Perpustakaan terhadap Minat Baca Menggunakan Metode K-Means Clustering. Jurnal Informasi dan Teknologi, 160-166.

. Farahdinna, F., Nurdiansyah, I., Suryani, A., & Wibowo, A. (2019). Perbandingan algoritma k-means dan k-medoids dalam klasterisasi produk asuransi perusahaan nasional. Jurnal Ilmiah Fifo, 11(2), 208-214.

. Farissa, R. A., Mayasari, R., & Umaidah, Y. (2021). Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient di Puskesmas Karangsambung. Journal of Applied Informatics and Computing, 5(2), 109-116.

. Fatonah, N. S., & Pancarani, T. K. (2022). Analisa Perbandingan Algoritma Clustering Untuk Pemetaan Status Gizi Balita Di Puskesmas Pasir Jaya. Konvergensi Teknologi Informasi & Komunikasi, 18(1), 1-9.

. Firdaus, H. S., Nugraha, A. L., Sasmito, B., & Awaluddin, M. (2021). Perbandingan metode fuzzy c-means dan k-means untuk pemetaan daerah rawan kriminalitas di kota semarang. Elipsoida: Jurnal Geodesi dan Geomatika, 4(01), 58-64.

. Indraputra, R. A., & Fitriana, R. (2020). K-Means Clustering Data COVID-19. Jurnal Teknik Industri, 10(3), 275-282

. Malik, R. A., Defit, S., & Yuhandri, Y. Perbandingan Algoritma K-Means Clustering Dengan Fuzzy C-Means Dalam Mengukur Tingkat Kepuasan Terhadap Televisi Dakwah. vol, 3, 10-21.

. Nastiti, P. R., & Putra, A. B. W. (2017). Perbandingan Algoritma K-Means dan Fuzzy C-Means Clustering Untuk Kualifikasi Data Kinerja Dosen di Jurusan Teknologi Informasi POLNES.

. Pramitasari, A. E., & Nataliani, Y. (2021). Perbandingan Clustering Karyawan Berdasarkan Nilai Kinerja Dengan Algoritma K-Means Dan Fuzzy C-Means. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 8(3), 1119-1132.

. Putri, A. L. R., & Dwidayati, N. (2021). Analisa perbandingan k-means dan fuzzy c-means dalam pengelompokan daerah penyebaran COVID-19 Indonesia. Unnes Journal of Mathematics, 50-55.

. Ramadhan, A., Efendi, Z., & Mustakim, M. (2017). Perbandingan K-Means dan Fuzzy C-Means untuk Pengelompokan Data User Knowledge Modeling. In Seminar Nasional Teknologi Informasi Komunikasi dan Industri (pp. 219-226).

. Sangga, V. A. P. (2018). Perbandingan algoritma K-Means dan algoritma K-Medoids dalam pengelompokan komoditas peternakan di provinsi Jawa Tengah tahun 2015.

. Saputra, P. R. N., & Chusyairi, A. (2020). Perbandingan Metode Clustering dalam Pengelompokan Data Puskesmas pada Cakupan Imunisasi Dasar Lengkap. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 4(6), 1077-1084.

. Selviana, N. H. (2016). Analisis Perbandingan k-means dan fuzzy c-means untuk pemetaan motivasi balajar mahasiswa. In Seminar Nasional Teknologi Informasi Komunikasi dan Industri.

. Suryanto, J. (2017). Analisa Perbandingan Pengelompokkan Curah Hujan 15 Harian Provinsi Diy Menggunakan Fuzzy Clustering Dan K-Means Clustering. Jurnal AGRIFOR, 16.

. Tamtelahitu, T. M. (2020). Komparasi Algoritma Clustering Dengan Dataset Penyebaran Covid-19 Di Indonesia Periode Maret-Mei 2020. JURNAL TEKNOLOGI TECHNOSCIENTIA, 27-34.