Perbandingan Algoritma K-Means dan Fuzzy C-Means Untuk Clustering Puskesmas Berdasarkan Gizi Balita Surabaya
DOI:
https://doi.org/10.33998/processor.2023.18.1.696Kata Kunci:
Clustering, Algoritma, K-Means, Fuzzy, C-MeansAbstrak
Lingkungan yang berpenyakit dan rendahnya kesadaran masyarakat akan kebersihan lingkungan di beberapa kota di Indonesia membuat banyak orang terutama anak kecil rentan terhadap berbagai penyakit. Pada 63 Puskesmas yang ada di Kota Surabaya telah menimbang 148720 balita. Terdapat 4,2% balita dengan gizi kurang, 0,1% balita gizi buruk dan 4,5% balita gizi stunting. Clustering adalah suatu teknik dalam data mining yang bertujuan untuk mengelompokkan objek (data) ke dalam beberapa cluster atau kelompok sehingga objek yang serupa disatukan ke dalam cluster yang sama. metode ini adalah untuk melakukan penerapan, pengujian, serta evaluasi terhadap algoritma K-Means dan Fuzzy C-Means dalam melakukan clustering. sehingga hasil dari penelitian ini adalah untuk mengelompokkan Puskesmas berdasarkan gizi balita yang ada di Kota Surabaya. Hasil terbaik silhouette coefficient dari K-Means dengan proses Normalization adalah 0.51833215835383. Sedangkan hasil terbaik pada algoritma Fuzzy C-Means dengan proses Normalization adalah 0.49666983222478. Sehingga dapat disimpulkan bahwa pada clustering Puskesmas berdasarkan gizi balita Kota Surabaya algoritma K-Means lebih baik.
Unduhan
Referensi
. 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.
Unduhan
Diterbitkan
Abstract views:
PDF Download:
DOI:
10.33998/processor.2023.18.1.696Dimension Badge:
Cara Mengutip
Terbitan
Bagian
