Evaluasi Clustering K-Means dan K-Medoid pada persebaran Covid-19 di Indonesia dengan metode Davies Bouldin Index (DBI)

ABSTRAK

Tingginya persebaran Covid-19 di Indonesia, dan persebaran di tiap-tiap daerah yang berbeda-beda, menjadikan perlu adanya pengelompokan daerah dengan masing-masing tingkat penyebarannya, untuk mengetahui kemiripan karakteristik atau kriteria dari setiap daerah dengan tingkat penyebaran Covid-19 yang akan terkumpul dalam suatu cluster tertentu. Penelitian ini menggunakan komparasi analisis cluster menggunakan K-Means dan K-Medoid untuk menganalisis perseberan virus Covid-19 di indonesia. Analisis komparasi kedua algoritma dibuktikan dengan adanya nilai davies bouldin index (DBI) sebagai parameter evaluasi menggunakan Bahasa Pemrograman Python Version 3 yang dijalankan pada tools Jupyter Notebook. Langkah penelitian dimulai dari import library atau modul yang digunakan dalam berbagai tahapan dalam penelitian ini. Tahapan yang dilakukan antara lain melakukan pre-processing berupa proses binning data hingga normalisasi data. Selanjutnya, menampilkan visualisasi data sebaran Covid-19. Kemudian, melakukan modeling Algoritma K-Means dan K-Medoids. Hingga diakhiri dengan langkah terakhir berupa evaluasi menggunakan Davies-Bouldin Index (DBI). Setelah dilakukan evaluasi DBI, K-Means mendapatkan nilai 0.9762331449809145, sedangkan K-Medoids mendapatkan nilai 0.9809235412405508. Karena K-Means memiliki nilai DBI yang lebih rendah dibandingkan K-medoids, maka dapat dikatakan K-Means menghasilkan klasterisasi yang lebih baik dalam klasterisasi data sebaran Covid-19 di Indonesia.

ABSTRACT

The high spread of Covid-19 in Indonesia, and the distribution in each region which is different, makes it necessary to group regions with each level of spread, to find out the similarity of characteristics or criteria from each region with the level of spread of Covid-19 which will be collected in a certain cluster. This study uses a comparative cluster analysis using K-Means and K-Medoid to analyze the spread of the Covid-19 virus in Indonesia. Comparative analysis of the two algorithms is proven by the Davies Bouldin index (DBI) value as an evaluation parameter using the Python Version 3 Programming Language which is run on Jupyter Notebook tools. The research step starts from the import library or modules used in various stages of this research. The steps taken include pre-processing in the form of data binning to data normalization. Next, displays a visualization of data on the distribution of Covid-19. Then, modeling the K-Means and K-Medoids Algorithms. Until it ends with the last step in the form of an evaluation using the Davies-Bouldin Index (DBI). After the DBI evaluation, K-Means got a score of 0.9762331449809145, while K-Medoids got a score of 0.9809235412405508. Because K-Means has a lower DBI value than K-medoids, it can be said that K- Means produces better clustering in clustering data on the spread of Covid-19 in Indonesia.

مستخلص البحث

لمعرفة أوجه التشابه في خصائص أو معايير كل منطقة مع مستوى انتشار كوفيد-19 والتي سيتم جمعها في مجموعة معينة . يستخدم هذا البحث التحليل العنقودي المقارن باستخدام ك ـ مينس وك ـ ميدويد لتحليل انتشار فيروس كوفيد-19 في إندونيسيا. تم إثبات التحليل المقارن للخوارزميتين من خلال قيمة مؤشر دافيد بوديس (DBI) كمعلمة تقييم باستخدام لغة البرمجة بيتون الإصدار 3 والتي يتم تشغيلها على أداة Jupyter Notebook .تبدأ خطوات البحث من استيراد المكتبات أو الوحدات المستخدمة في المراحل المختلفة لهذا البحث. تشمل المراحل التي يتم تنفيذها المعالجة المسبقة في شكل تجميع البيانات لتطبيع البيانات. بعد ذلك، يتم عرض تصور لبيانات توزيع كوفيد-19 ثم قم بتصميم خوارزميات ك ـ ـمينس وك ـ ميدويدس. حتى تنتهي بالخطوة الأخيرة وهي التقييم باستخدام مؤشر ديفيز بولدين (DBI). بعد تقييم DBI، حصلت ك ـ ـمينس على قيمة 0.9762331449809145، بينما حصلت وك ـ ميدويدس على قيمة 0.9809235412405508. نظرًا لأن ك ـ ـمينس لها قيمة DBI أقل من وك ـ ميدويدس ، يمكن القول أن ك ـ ـمينس تنتج تجميعًا أفضل في تجميع البيانات حول انتشار كوفيد-19 في إندونيسيا.