IMPLEMENTASI ALGORITMA K-MEDOIDS UNTUK CLUSTERING WILAYAH TERINFEKSI KASUS COVID19 DI DKI JAKARTA
Muh Arifandi,Arief Hermawan,Donny Avianto
Pada awal Maret tahun 2019 Indonesia dilanda dengan wabah Covid-19 (Corona). Peningkatan jumlah pasien terinfeksi virus Covid-19 semakin melonjak hari demi hari dan sudah sulit dikendalikan. Untuk mencegah bertambahnya kasus Covid-19 adalah membuat cluster atau pengelompokan wilayah tertentu (kelurahan) berdasarkan jumlah positif, dirawat, sembuh, meninggal dan isolasi. Pengelompokan ini akan membantu pemerintah DKI Jakarta dalam memberikan penanganan yang sesuai dengan pola kelurahan tersebut. Data yang akan menjadi kajian penelitian adalah mengenai data persebaran status terinfeksi kasus Covid-19 di Provinsi DKI Jakarta pada tanggal 20 Mei 2021. Algoritma K-Medoids merupakan metode yang dapat menentukan suatu set cluster di antara sekelompok data yang mendekati suatu objek. Berdasarkan kajian penelitian yang sudah di lakukan dapat diambil kesimpulan bahwa pada teknik data mining dalam pengelompokkan total kasus terinfeksi Covid-19 berdasarkan kelurahan di Provinsi DKI Jakarta menggunakan algoritma K-Medoids dengan tiga Cluster. Cluster 0, Cluster 1, Cluster 2. Kasus terinfeksi Covid-19 tertinggi pada Provinsi DKI Jakarta ditunjukkan pada Cluster 0 dengan 31 wilayah. Hasil penelitian Pengelompokkan ini akan membantu pemerintah DKI Jakarta dalam memberikan penanganan yang sesuai dengan pola kelurahan. K-Medoids dapat diterapkan menggunakan data yang berjumlah besar dengan atribut yang kompleks.. The K-Medoids algorithm is a method that can determine a set of clusters among a group of data that is close to an object. Based on the research studies that have been carried out, it can be concluded that in the data mining technique, the total grouping of Covid-19 infected cases based on urban areas in DKI Jakarta Province uses the k-medoids algorithm with three clusters. Cluster 0, cluster 1, cluster 2. The highest Covid-19 infected cases in DKI Jakarta Province are shown in cluster 3 with 31 regions. The results of this grouping research will assist the DKI Jakarta government in providing appropriate handling according to the Urban village pattern. K-Medoids can be implemented using large amounts of data with complex attributes.