Jurnal Syntax Transformation	Vol. 2 No. 7, Juni 2021
p-ISSN : 2721-3854 e-ISSN : 2721-2769	Sosial Sains

IMPLEMENTASI K-MEANS CLUSTERING ANALYSIS UNTUK MENGELOMPOKKAN KELURAHAN-KELURAHAN DI DKI JAKARTA BERDASARKAN JUMLAH POSITIF COVID-19.

Nurul Qomariasih

Politeknik Siber dan Sandi Negara (Poltek SSN) Bogor, Jawa Barat, Indonesia

Email: [email protected]

INFO ARTIKEL	ABSTRAK
Diterima 21 Juni 2021 Direvisi 2 Juli 2021 Disetujui 15 Juli 2021	Covid 19 merupakan penyakit yang disebabkan oleh Virus Corona, menyerang sistem pernapasan, dan memperburuk kondisi seseorang dengna penyakit bawaan. Hingga saat ini, pemerintah masih menetapkan kasus wabah covid 19 sebagai kondisi darurat dan penetapan protokol kesehatan kepada warganya. DKI Jakarta merupakan salah satu daerah dengan kasus tertinggi covid 19. Oleh karena itu, penelitian ini melakukan pengelompokkan atau clustering kelurahan-kelurahan yang ada di provinsi DKI Jakarta ke dalam kelompok kelurahan dengan kasus sangat tinggi, sedang, atau rendah menggunakan metode K-Means Clustering. Pengelompokkan ini bertujuan sebagai pemberian informasi kepada pemerintah dan sebagai salah satu bahan pertimbangan dalam menangani kasus covid 19 serta prioritas penyediaan sarana dan prasarana medis. Penelitian K-Means Clustering dengan data yang telah di standardisasi menggunakan jarak Euclidean berhasil mengelompokkan kelurahan-kelurahan di DKI Jakarta menjadi 3 Kelompok.��� ABSTRACT Covid 19 is a disease caused by the Corona Virus, attacking the respiratory system, and worsening the condition of a person with congenital disease. Until now, the government has still determined the case of the COVID-19 outbreak as an emergency and established health protocols for its citizens. DKI Jakarta is one of the areas with the highest cases of covid 19. Therefore, this study is grouping or clustering urban villages in DKI Jakarta province into groups of urban villages with very high, medium, or low cases using the K-Means Clustering method . This grouping aims to provide information to the government and as one of the considerations in dealing with COVID-19 cases as well as prioritizing the provision of medical facilities and infrastructure. The K-Means Clustering study with standardized data using Euclidean distance succeeded in grouping urban villages in DKI Jakarta into 3 groups.
Kata Kunci: Covid 19; Pengelompokkan; K-Means Keywords: Covid 19; Clustering; K-Means

Pendahuluan

K-Means adalah salah satu teknik dalam Data Mining yang bertujuan untuk mengelompokkan data yang mempunyai kemiripan karakteristik antara data yang satu dengan data lainnya (Wardhani & Khrisna, 2016). Teknik ini bertujuan untuk meminimalkan fungsi objektif yang diatur dalam proses pengelompokkan, meminimalkan variasi suatu kelompok dan memaksimalkan variansi antar kelompok (Maulida, 2018). Sedangkan Data Mining adalah suatu proses pencarian pola, hubungan, penggalian nilai tambah dari data yang berukuran besar berupa pengetahuan dengan tujuan menemukan hubungan dan menyederhanakan data agar didapatkan informasi yang mudah dipahami serta bermanfaat (Abdurrahman, 2016). Penelitian ini juga menggunakan data besar atau data dengan jumlah observasi besar, sehingga disebut dengan Big Data. Big Data merupakan data yang melebihi proses kapasitas dari konvensi sistem database yang ada (E. Dumbill, 2012). Teknik / algoritma K-Means bekerja dengan cara membagi data dalam sejumlah cluster untuk dianalisis faktor kesamaan (similarity) maupun ketidaksamaannya (dissimilarity) yang melekat pada kumpulan data tersebut, dan selanjutnya dianalisis pola keterhubungan antar data (Larose & Larose, 2014).

Covid 19 dari awal kemunculannya hingga saat ini masih dianggap sebagai pandemi, karena sangat banyak yang menderita dan yang meninggal karena penyakit covid 19. Serta tidak ada satu negarapun yang tidak pernah terjangkit virus Corona penyebab covid 19 ini. Jumlah penduduk yang dikonformasi statusnya, seperti ODP, PDP, serta positif berbeda dari satu negara dengna negara lainnya, dikarenakan perbedaan kebijakan dan kemampuan kepala negaranya dalam menangani tindakan pencegahan dan penindakan terhadap pandemi.

Penelitian ini bertujuan untuk mendapatkan dan mengolah data suspek dan positif covid 19 di kelurahan di DKI Jakarta menggunakan Data Mining yaitu K-Means Clustering. Data akan dikelompokkan berdasarkan kesamaan yang terdekat. Kelurahan yang jumlah kasus nya tinggi akan berkelompok dengna kelurahan yang mirip, yaitu yang jumlah kasusnya tinggi juga. Sehingga pemerintah atau organisasi lain dapat mengetahui wilayah prioritas bantuan Covid 19 dan mengurangi dampak pandemi ini sebanyak mungkin (Indraputra & Fitriana, 2020).

Metode Penelitian

A. Data Penelitian

Data yang digunakan dalam penelitian ini berupa data kuantitatif yaitu jumlah suspek dan jumlah positif Covid-19 di 267 kelurahan di DKI Jakarta pada tanggal 8 September 2020. Data yang digunakan dalam penelitian berasal dari halaman website Open Data Jakarta(https://data.jakarta.go.id/dataset/rekap-data-covid-19-per-kelurahan-provins i-dki-jakarta-bulan-september-2020). Data set yang didapat adalah riwayat Covid-19 per kelurahan di Provinsi DKI Jakarta pada tanggal 8 September 2020. Dataset tersebut berisi berbagai macam variabel dan merupakan penjumlahan dari variabel yang ada seperti : ODP ( Proses Pemantauan + Selesai Pemantauan), PDP ( Masih Dirawat + Pulang dan Sehat), Positif (Dirawat + Sembuh + Meninggal + Self Isolation).

Penelitian ini dilakukan dengan beberapa langkah: pertama, dilakukan preprocessing data yang meliputi pengumpulan data dari basis data, pembersihan data, serta transformasi data (Fayyad et al., 1996). Data ditransformasi ke dalam bentuk Z score atau biasa disebut normalisasi. Data hasil normalisasi akan berada pada rentang 0 sampai 1. Proses normalisasi ini sangat penting untuk memastikan bahwa tidak ada parameter yang mendominasi dalam perhitungan jarak antar data (Hann & Kamber, 2000). Tahap selanjutnya adalah uji asumsi multikolinearitas dengan melakukan uji pearson untuk memastikan variabel yang digunakan tidak saling berhubungan/saling bebas.

B. Penelitian Terkait

Berikut merupakan beberapa ������penelitian menggunakan metode k-means clustering untuk pengelompokkan data:

Tahun	Judul	Subjek Observasi
2020	Analisis K-Means Clustering pada Data Sepeda Motor	Sepeda Motor merek Honda dan Yamaha
2020	K-Means Clustering Data Covid-19	Data kasus covid-19 dari seluruh provinsi di dunia
2021	Clustering Kualitas Kinerja Karyawan pada Perusahaan Bahan Kimia Menggunakan Algoritma K-Means	Pegawai PT Clariant Adsorbent Indonesia

C. K-Means Clustering

K-Means Clustering merupakan teknik pengelompokkan data non-hirarki dan bersifat unsupervised (tanpa arahan), yaitu tidak mempunyai anggota cluster yang pasti. Namun, terkadang peneliti menentukan jumlah cluster berdasarkan pengalaman atau melalui metode tertentu, sehingga K-Means Clustering disebut juga sebagai semi-supervised classification (Agusta, 2007). Langkah pertama adalah menentukan k sebagai jumlah clusternya. Selanjutnya mengukur jarak kesamaan menggunakan jarak Euclidean. Sarwono dalam bukunya bahwa algoritma K-Means adalah sebagai berikut (Rohmawati et al., 2015):

1. Menentukan nilai k sebagai jumlah cluster yang ingin dibentuk
2. Menentukan ilai acak untuk pusat cluster awal centroid sebanyak k untuk menghitung jarak setiap data input terhadap masing-masing centroid dengan menggunakan rumus jarak Euclid, yaitu:

3. Mengelompokkan setiap data berdasarkan kedekatannya dengan centroid atau mencari jarak terkecil
4. Memperbaharui nilai centroid baru, nilai diperoleh dari rata-rata cluster yang bersangkutan.

5. Apabila data setiap cluster belum berhenti, lakukan perulangan dari langkah 2 hingga 5, sampai anggota tiap cluster tidak ada yang berubah.

Hasil Dan Pembahasan

Berdasarkan grafik jumlah kasus positif di DKI Jakarta tahun 2020 bulan September hingga Oktober, terjadi pelonjakan jumlah yang signifikan pada tanggal 8 September (Qomariasih, 2021). Oleh karena itu, kejadian lonjakan tersebut akan dianalisis dan dihasilkan tingkat keparahan di masing-masing kelurahan, yaitu Tinggi (Parah), Sedang, Rendah.

Berikut ditampilkan hasil pengujian asumsi multikolinearitas bagi kedua variabel yang digunakan (Tabel 1):

Tabel 1

Nilai VIF Variabel Suspek dan Positif Covid 19

Coefficients

Term	Coef	SE Coef	T-Value	P-Value	VIF
Constant	21,23	5,19	4,09	0,000
Suspek	0,3445	0,0183	18,78	0,000	1,00

Coefficients

Term	Coef	SE Coef	T-Value	P-Value	VIF
Constant	68,0	11,0	6,20	0,000
Positif	1,6574	0,0882	18,78	0,000	1,00

Jika hipotesis bagi uji multikolinearitas ini adalah:

H0: Tidak terjadi multikolinearitas

H1: Terjadi multikolinearitas

Dengan kriteria uji tolak H0 jika VIF >5, maka berdasarkan tabel 1, kesimpulannya terima H0 untuk variabel suspek maupun variabel positif.

Penentuan jumlah cluster dengan K-Means dapat ditentukan secara subjektif oleh peneliti. Namun pada penelitian ini tetap dibuat dendogram dari variabel jumlah suspek dan variabel jumlah positif covid 19 tiap kelurahan yang telah distandarisasi menjadi nilai Z. Dendogram dibuat dengan berbagai Linkage Method sebagai referensi penentuan jumlah cluster pada analisis K-Means (Grafik 1,2, dan 3). Pada Tabel 1, dendogram dengan Average Linkage memiliki garis yang lebih panjang dari garis lainnya yaitu ada sebanyak 3 garis pertama, sehingga kalau diambil k menjadi 4 cluster.

Grafik 1

Dendogram Kelurahan dengan Jarak Euclid dan Average Linkage

Grafik 2

Dendogram Kelurahan dengan Jarak Euclid dan Centroid Linkage

Gambar 3

Dendogram Kelurahan dengan Jarak Euclid dan Complete Linkage

Penentuan jumlah cluster yang akan diambil dapat dilihat dari panjang garis dendogram. Garis yang dekat menandakan similarity yang paling dekat, semakin jauh dan semakin panjang garisnya, maka similarity nya atau kesamaannya juga semakin jauh. Berdasarkan tiga grafik dendogram di atas, maka kita bisa mengambil cluster �sebanyak 2, 3, atau 4. Agar sesuai dan relevan dengan konteks penelitian, serta mengingat ragam yang besar dari data yang ada, maka akan diambil jumlah cluster sebanyak 3, dengan penamaan cluster nya yaitu parah, sedang dan rendah. Berikut merupakan hasil pengolahan menggunakan K-Means Clustering:

Tabel 2

Informasi Jarak Cluster dengan titik pusat

	Number of observations	Within cluster sum of squares	Average distance from centroid	Maximum distance from centroid
Cluster1	34	81,952	1,171	6,623
Cluster2	120	63,070	0,647	1,783
Cluster3	113	34,409	0,494	1,111

Tabel 3

Informasi Pusat Cluster

Variable	Cluster1	Cluster2	Cluster3	Grand centroid
Positif	1,9343	0,1514	-0,7428	0,0000
suspek	1,6319	0,2398	-0,7456	0,0000

Terlihat dari Tabel 2 di atas bahwa terdapat 34 kelurahan berada pada Cluster 1, 120 kelurahan berada pada Cluster 2, dan 113 kelurahan berada pada Cluster 3. Kolom ketiga (Within cluster sum of square) memberikan informasi jarak kuadrat antar Cluster. Kolom keempat (Average distance from centroid) adalah jarak rata-rata tiap kelurahan pada satu cluster ke pusatnya (centroid). Sedangkan kolom terakhir (Maximum distance from centroid) menunjukkan jarak terjauh kelurahan yang berada pada masing-masing cluster ke pusat clusternya. Titik pusat (centroid) ditampilkan pada Tabel 3. Adapun hasil pengelompokkan kelurahan-kelurahan di DKI Jakarta ditunjukkan melalui tabel berikut:

No.	Kelurahan	Cluster
1	ANCOL	2
2	ANGKE	2
3	BALE KAMBANG	3
4	BALI MESTER	3
5	BAMBU APUS	3
6	BANGKA	3
7	BARU	3
8	BATU AMPAR	2
9	BENDUNGAN HILIR	2
10	BIDARA CINA	2
11	BINTARO	2
12	BUKIT DURI	3
13	BUNGUR	3
14	CAKUNG BARAT	3
15	CAKUNG TIMUR	3
16	CAWANG	3
17	CEGER	3
18	CEMPAKA BARU	1
19	CEMPAKA PUTIH BARAT	1
20	CEMPAKA PUTIH TIMUR	1
21	CENGKARENG BARAT	2
22	CENGKARENG TIMUR	1
23	CIBUBUR	2
24	CIDENG	2
25	CIGANJUR	2
26	CIJANTUNG	2
27	CIKINI	3
28	CIKOKO	3
29	CILANDAK BARAT	2
30	CILANDAK TIMUR	2
31	CILANGKAP	3
32	CILILITAN	2
33	CILINCING	1
34	CIPAYUNG	2
35	CIPEDAK	2
36	CIPETE SELATAN	3
37	CIPETE UTARA	2
38	CIPINANG	2
39	CIPINANG BESAR SELATAN	3
40	CIPINANG BESAR UTARA	3
41	CIPINANG CEMPEDAK	3
42	CIPINANG MELAYU	2
43	CIPINANG MUARA	2
44	CIPULIR	2
45	CIRACAS	2
46	DUKUH	3
47	DUREN SAWIT	1
48	DUREN TIGA	3
49	DURI KEPA	2
50	DURI KOSAMBI	2
51	DURI PULO	3
52	DURI SELATAN	3
53	DURI UTARA	3
54	GALUR	3
55	GAMBIR	3
56	GANDARIA SELATAN	3
57	GANDARIA UTARA	2
58	GEDONG	2
59	GELORA	3
60	GLODOK	3
61	GONDANGDIA	3
62	GROGOL	2
63	GROGOL SELATAN	2
64	GROGOL UTARA	2
65	GUNTUR	3
66	GUNUNG	3
67	GUNUNG SAHARI SELATAN	3
68	GUNUNG SAHARI UTARA	3
69	HALIM PERDANA KUSUMAH	2
70	HARAPAN MULIA	2
71	JAGAKARSA	1
72	JATI	2
73	JATI PADANG	3
74	JATI PULO	2
75	JATINEGARA	2
76	JATINEGARA KAUM	3
77	JELAMBAR	2
78	JELAMBAR BARU	3
79	JEMBATAN BESI	2
80	JEMBATAN LIMA	3
81	JOGLO	3
82	JOHAR BARU	1
83	KALI ANYAR	2
84	KALI BARU	2
85	KALIBATA	2
86	KALIDERES	1
87	KALISARI	2
88	KAMAL	3
89	KAMAL MUARA	3
90	KAMPUNG BALI	3
91	KAMPUNG MELAYU	3
92	KAMPUNG RAWA	2
93	KAMPUNG TENGAH	2
94	KAPUK	1
95	KAPUK MUARA	3
96	KARANG ANYAR	2
97	KARET	3
98	KARET KUNINGAN	3
99	KARET SEMANGGI	3
100	KARET TENGSIN	3
101	KARTINI	2
102	KAYU MANIS	3
103	KAYU PUTIH	2
104	KEAGUNGAN	3
105	KEBAGUSAN	2
106	KEBAYORAN LAMA SELATAN	2
107	KEBAYORAN LAMA UTARA	3
108	KEBON BARU	3
109	KEBON BAWANG	1
110	KEBON JERUK	1
111	KEBON KACANG	1
112	KEBON KELAPA	3
113	KEBON KOSONG	2
114	KEBON MANGGIS	3
115	KEBON MELATI	1
116	KEBON PALA	3
117	KEBON SIRIH	3
118	KEDAUNG KALI ANGKE	2
119	KEDOYA SELATAN	3
120	KEDOYA UTARA	3
121	KELAPA DUA	3
122	KELAPA DUA WETAN	2
123	KELAPA GADING BARAT	1
124	KELAPA GADING TIMUR	2
125	KEMANGGISAN	2
126	KEMAYORAN	2
127	KEMBANGAN SELATAN	3
128	KEMBANGAN UTARA	2
129	KENARI	2
130	KERENDANG	3
131	KLENDER	1
132	KOJA	2
133	KOTA BAMBU SELATAN	2
134	KOTA BAMBU UTARA	2
135	KRAMAT	2
136	KRAMAT JATI	2
137	KRAMAT PELA	3
138	KRUKUT	3
139	KUNINGAN BARAT	3
140	KUNINGAN TIMUR	3
141	KWITANG	3
142	LAGOA	1
143	LEBAK BULUS	2
144	LENTENG AGUNG	2
145	LUBANG BUAYA	2
146	MAKASAR	3
147	MALAKA JAYA	2
148	MALAKA SARI	3
149	MAMPANG PRAPATAN	2
150	MANGGA BESAR	3
151	MANGGA DUA SELATAN	2
152	MANGGARAI	3
153	MANGGARAI SELATAN	3
154	MAPHAR	2
155	MARUNDA	3
156	MELAWAI	3
157	MENTENG	2
158	MENTENG ATAS	2
159	MENTENG DALAM	2
160	MERUYA SELATAN	3
161	MERUYA UTARA	2
162	MUNJUL	3
163	PADEMANGAN BARAT	1
164	PADEMANGAN TIMUR	2
165	PAL MERIAM	2
166	PALMERAH	1
167	PANCORAN	2
168	PAPANGGO	2
169	PASAR BARU	3
170	PASAR MANGGIS	3
171	PASAR MINGGU	2
172	PASEBAN	2
173	PEGADUNGAN	2
174	PEGANGSAAN	1
175	PEGANGSAAN DUA	1
176	PEJAGALAN	2
177	PEJATEN BARAT	2
178	PEJATEN TIMUR	2
179	PEKAYON	2
180	PEKOJAN	3
181	PELA MAMPANG	2
182	PENGADEGAN	3
183	PENGGILINGAN	1
184	PENJARINGAN	1
185	PESANGGRAHAN	2
186	PETAMBURAN	1
187	PETOGOGAN	3
188	PETOJO SELATAN	2
189	PETOJO UTARA	3
190	PETUKANGAN SELATAN	3
191	PETUKANGAN UTARA	2
192	PINANG RANTI	3
193	PINANGSIA	3
194	PISANGAN BARU	2
195	PISANGAN TIMUR	2
196	PLUIT	2
197	PONDOK BAMBU	1
198	PONDOK KELAPA	1
199	PONDOK KOPI	2
200	PONDOK LABU	3
201	PONDOK PINANG	2
202	PONDOK RANGGON	3
203	PULAU HARAPAN	3
204	PULAU KELAPA	3
205	PULAU PANGGANG	3
206	PULAU PARI	3
207	PULAU TIDUNG	3
208	PULAU UNTUNG JAWA	3
209	PULO	3
210	PULO GADUNG	2
211	PULO GEBANG	2
212	RAGUNAN	2
213	RAMBUTAN	2
214	RAWA BADAK SELATAN	1
215	RAWA BADAK UTARA	2
216	RAWA BARAT	3
217	RAWA BUAYA	2
218	RAWA BUNGA	3
219	RAWA JATI	3
220	RAWA TERATE	3
221	RAWAMANGUN	2
222	RAWASARI	1
223	ROA MALAKA	3
224	ROROTAN	3
225	SELONG	3
226	SEMANAN	2
227	SEMPER BARAT	1
228	SEMPER TIMUR	2
229	SENAYAN	3
230	SENEN	3
231	SERDANG	2
232	SETIA BUDI	3
233	SETU	3
234	SLIPI	2
235	SRENGSENG	2
236	SRENGSENG SAWAH	2
237	SUKABUMI SELATAN	3
238	SUKABUMI UTARA	3
239	SUKAPURA	1
240	SUMUR BATU	2
241	SUNGAI BAMBU	3
242	SUNTER AGUNG	1
243	SUNTER JAYA	1
244	SUSUKAN	3
245	TAMAN SARI	3
246	TAMBORA	3
247	TANAH SEREAL	2
248	TANAH TINGGI	1
249	TANGKI	3
250	TANJUNG BARAT	2
251	TANJUNG DUREN SELATAN	2
252	TANJUNG DUREN UTARA	3
253	TANJUNG PRIOK	2
254	TEBET BARAT	2
255	TEBET TIMUR	3
256	TEGAL ALUR	2
257	TEGAL PARANG	2
258	TOMANG	2
259	TUGU SELATAN	2
260	TUGU UTARA	1
261	UJUNG MENTENG	3
262	ULUJAMI	2
263	UTAN KAYU SELATAN	2
264	UTAN KAYU UTARA	2
265	UTAN PANJANG	2
266	WARAKAS	2
267	WIJAYA KUSUMA	2

Berdasarkan tabel di atas, kelurahan yang berada pada cluster 1 merupakan kelurahan dengan tingkat kasus covid 19 yang paling tinggi, diikuti cluster 2 dengan kondisi sedang, dan cluster 3 rendah.

Kesimpulan

Metode K-Means Clustering mampu mengelompokkan kelurahan-kelurahan di DKI Jakarta� berdasarkan tingkat keparahan Covid 19. Data diperoleh dari publikasi pemerintah DKI Jakarta melalui website Open Data Jakarta. Dari penelitian ini, diharapkan pemerintah dan khalayak dapat tetap waspada khususnya jika berada atau tinggal di kelurahan dengna tingkat keparahan yang tinggi.

BIBLIOGRAFI

Abdurrahman, G. (2016). Clustering Data Ujian Tengah Semester (UTS) Data Mining Menggunakan Algoritma K-Means. JUSTINDO (Jurnal Sistem Dan Teknologi Informasi Indonesia), 1(2). Google Scholar

Agusta, Y. (2007). K-means�penerapan, permasalahan dan metode terkait. Jurnal Sistem Dan Informatika, 3(1), 47�60. Google Scholar

E. Dumbill. (2012). Big Data Now Current Perspective. O�Reilly Media.

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI Magazine, 17(3), 37. Google Scholar

Hann, J., & Kamber, M. (2000). Data mining: concepts and techniques. Morgan Kaufman Publish. Google Scholar

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

Larose, D. T., & Larose, C. D. (2014). Discovering knowledge in data: an introduction to data mining (Vol. 4). John Wiley & Sons. Google Scholar

Maulida, L. (2018). Penerapan Data Mining dalam Mengelompokkan Kunjungan Wisatawan ke Objek Wisata Unggulan di Prov. DKI Jakarta dengan K-Means. JISKA (Jurnal Informatika Sunan Kalijaga), 2(3), 167�174. Google Scholar

Qomariasih, N. (2021). Peramalan Kasus Covid-19 di DKI Jakarta dengan Model Arima. Jurnal Syntax Transformation, 2(6), 849�855. Google Scholar

Rohmawati, N., Defiyanti, S., & Jajuli, M. (2015). Implementasi Algoritma K-Means Dalam Pengklasteran Mahasiswa Pelamar Beasiswa. Jurnal Ilmiah Teknologi Infomasi Terapan, 1(2). Google Scholar

Wardhani, A. K., & Khrisna, A. (2016). Implementasi Algoritma K-Means untuk Pengelompokkan Penyakit Pasien pada Puskesmas Kajen Pekalongan. J. Transform, 14(1), 30�37. Google Scholar

Copyright holder :

Nurul Qomariasih (2021)

First publication right :

Journal Syntax Transformation

This article is licensed under: