Analisis Data Sebaran Penyakit Menggunakan Algoritma Density Based Spatial Clustering Of Applications With Noise
DOI:
https://doi.org/10.33084/jsakti.v3i1.1775Keywords:
Data Mining, DBSCAN, KDD, Epsilon, Min PointAbstract
Dalam membantu mengembangkan teknologi untuk meningkatkan pelayanan kesehatan masyarakat yang lebih baik, membutuhkan suatu informasi serta data yang cukup agar dapat dianalisis lebih lanjut. Namun dalam hal melakukan monitoring daerah rentan penyakit masih menggunakan perhitungan dengan rata-rata dari hasil data yang ada dan dalam hal ini menghasilkan output yang kurang maksimal untuk melakukan kebijakan-kebijakan terkait pelayanan kesehatan. Masalah ini dapat diatasi dengan menerapkan teknik data mining dengan metode clustering. Tujuan dari penelitian ini adalah melakukan analisis daerah rentan penyakit yang ada di puskesmas mulyamekar agar dapat membantu kebijakan dalam memberikan penyuluhan ke daerah yang sesuai. Metode analisis yang digunakan adalah Knowledge Discovery in Database (KDD). Metode pengelompokan daerah rentan penyakit menggunakan metode clustering dan algoritma Density Based Spatial Clustering of Applications with Noise (DBSCAN) sebagai perhitungan clusteringnya dimana Clustering ini bertujuan untuk membagi daerah ke dalam cluster berdasarkan lokasi titik sebaran penyakit. Hasil penelitian yang diperoleh adalah dashboard hasil analisis sebaran data penyakit menggunakan algoritma DBSCAN yang terdiri dari peta sebaran penyakit, hasil cluster penyakit, presentase sebaran penyakit per kecamatan dan perbandingan minimum point dan minimum epsilon. Dengan adanya analisis ini dapat menjadi acuan terhadap kebijakan-kebijakan yang akan diambil oleh UPTD Puskesmas Mulyamekar dalam pengambilan keputusan.
Downloads
References
Suyanto, Data mining : untuk klasifikasi dan klasterisasi data. Bandung: Penerbit Informatika, 2017.
A. S. Devi, I. K. G. D. Putra, and I. M. Sukarsa, “Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 6, no. 3, p. 185, 2015, doi: 10.24843/lkjiti.2015.v06.i03.p05.
M. Tanzil Furqon and L. Muflikhah, “Clustering the Potential Risk of Tsunami Using Density-Based Spatial Clustering of Application With Noise (Dbscan),” J. Enviromental Eng. Sustain. Technol., vol. 3, no. 1, pp. 1–8, 2016, doi: 10.21776/ub.jeest.2016.003.01.1.
T. Wuryandari, R. Rahmawati, K. Pati, K. Demak, and K. Brebes, “Metode Dbscan Untuk Pengelompokan Kabupaten / Kota Di Provinsi Jawa Tengah,” vol. 5, no. 1, pp. 1–6, 2017.
B. E. V. Comendador, L. W. Rabago, and B. T. Tanguilig, “An educational model based on Knowledge Discovery in Databases (KDD) to predict learner’s behavior using classification techniques,” ICSPCC 2016 - IEEE Int. Conf. Signal Process. Commun. Comput. Conf. Proc., pp. 1–6, 2016, doi: 10.1109/ICSPCC.2016.7753623.
B. N. Sari and A. Primajaya, “Penerapan Clustering Dbscan Untuk Pertanian Padi Di Kabupaten Karawang,” J. Inform. dan Komput., vol. 4, no. 1, pp. 28–34, 2019, [Online]. Available: www.mapcoordinates.net/en.
C. R. M. Rosa, M. T. A. Steiner, and P. J. Steiner Neto, “Knowledge discovery in data bases: A case study in a private institution of higher education,” IEEE Lat. Am. Trans., vol. 16, no. 7, pp. 2027–2032, 2018, doi: 10.1109/TLA.2018.8447372.
S. Pramana, B. Yuniarto, S. Mariyah, I. Santoso, and NooraeniRani, Data mining dengan R konsep setara implementasi. Bogor: IN MEDIA, 2018.
Y. Cheng and Q. Liu, “Process and Application of Data Mining in the University Library,” 2019 4th IEEE Int. Conf. Big Data Anal. ICBDA 2019, pp. 123–127, 2019, doi: 10.1109/ICBDA.2019.8713202.
J. Xia, J. Li, P. Dong, and K. Yang, “An ArcGIS add-in for spatiotemporal data mining in climate data,” Earth Sci. Informatics, vol. 13, no. 1, pp. 185–190, 2020, doi: 10.1007/s12145-019-00404-0.
R. Beniwal, V. Gupta, M. Rawat, and R. Aggarwal, “Data Mining with Linked Data: Past, Present, and Future,” Proc. 2nd Int. Conf. Comput. Methodol. Commun. ICCMC 2018, no. Iccmc, pp. 1031–1035, 2018, doi: 10.1109/ICCMC.2018.8487861.
E. Arriyanti, I. Arfyanti, and P. Adytia, “Spatial coordinate trial: Converting non-spatial data dimension for DBSCAN,” Int. Conf. Electr. Eng. Comput. Sci. Informatics, pp. 223–228, 2019, doi: 10.23919/EECSI48112.2019.8977130.
G. M. Nandana, S. Mala, and A. Rawat, “Hotspot detection of dengue fever outbreaks using DBSCAN Algorithm,” Proc. 9th Int. Conf. Cloud Comput. Data Sci. Eng. Conflu. 2019, pp. 158–161, 2019, doi: 10.1109/CONFLUENCE.2019.8776916.
H. Yu, L. Y. Chen, J. T. Yao, and X. N. Wang, “A three-way clustering method based on an improved DBSCAN algorithm,” Phys. A Stat. Mech. its Appl., vol. 535, p. 122289, 2019, doi: 10.1016/j.physa.2019.122289.
Downloads
Published
How to Cite
Issue
Section
License
All rights reserved. This publication may be reproduced, stored in a retrieval system, or transmitted in any form or by any means, electronic, mechanical, photocopying, recording.
