Implementasi Algoritma K-Means Clustering dengan Jarak Euclidean dalam Mengelompokkan Daerah Penyebaran COVID-19 di Kabupaten Bogor

Abstract

K-Means clustering merupakan algoritma pengelompokan iteratif yang melakukan partisi himpunan data ke dalam sejumlah  klaster yang sudah ditentukan di awal, sedemikian sehingga setiap data masuk dalam pusat klaster (centroid) terdekat. Pada penelitian dilakukan pengelompokan data menggunakan metode K-Means clustering dengan jarak Euclidean pada data daerah penyebaran COVID-19 di Kabupaten Bogor. Penentuan jumlah klaster optimal yang ditentukan sejak awal menggunakan metode Elbow dan Silhouette Index. Penelitian bertujuan untuk mengetahui hasil dari penerapan algoritma K-means clustering untuk mengelompokkan daerah penyebaran COVID-19 di Kabupaten Bogor. Adapun variabel yang digunakan yaitu kepadatan penduduk [X_1], jumlah kasus terinfeksi COVID-19   [X_2] dan jumlah kasus meninggal COVID-19 [X_3]. Berdasarkan hasil penelitian diperoleh dua klaster tingkat risiko penyebaran COVID-19 yaitu klaster C1 dan C2. Pada klaster C1 memiliki tingkat risiko penyebaran sedang terdiri atas 36 Kecamatan, sedangkan pada klaster C2 dengan tingkat risiko penyebaran tinggi terdiri atas 4 Kecamatan. Nilai validitas yang didapat sebesar 0.71676 yang berarti struktur dari hasil klaster tersebut kuat.