K-Medoids Clustering dengan Jarak Dynamic Time Warping dalam Mengelompokkan Provinsi di Indonesia Berdasarkan Kasus Aktif Covid-19

Article Sidebar

PDF
Published Feb 12, 2022

Main Article Content

Muhammad Irfan Rizki
Universitas Negeri Semarang
Teguh Ammar Taqqiyuddin
Jessica Jesslyn Cerelia

Abstract

Indonesia merupakan salah satu negara dengan kasus aktif COVID-19 yang relatif tinggi di dunia. Banyaknya provinsi dapat menyulitkan dan menjadi tantangan bagi pemerintah serta satuan tugas penanganan COVID-19 di tingkat nasional dalam menangani kasus aktif COVID-19. Diperlukan analisis perkembangan kasus aktif untuk setiap provinsi karena setiap provinsi di Indonesia memiliki karakteristik yang berbeda. Oleh karena itu, provinsi-provinsi tersebut dikelompokkan berdasarkan karakteristik yang sama untuk mengetahui karakteristik fluktuasi kasus aktifnya. Hal tersebut dapat mempermudah pemerintah dalam menangani kasus aktif COVID-19 berdasarkan karakteristik masing-masing kelompok. Pengelompokkan kasus aktif dilakukan dengan analisis klaster menggunakan metode K-Medoids Clustering serta perhitungan jarak antar deret waktunya menggunakan Dynamic Time Warping (DTW) karena data merupakan data deret waktu dari 21 Maret 2020 sampai 4 Juli 2021. Jumlah kelompok optimum yang diambil dalam tahap clustering berdasarkan nilai koefisien pseudo-F terbesar. Terdapat tiga kelompok yang terbentuk memiliki karakteristik fluktuasi kasus aktif yang berbeda-beda antar kelompoknya. Kelompok 1 dan 2 merupakan kelompok yang perlu diperhatikan dikarenakan memiliki fluktuasi kasus aktif yang tinggi.

Article Details

How to Cite
Rizki, M., Taqqiyuddin, T., & Cerelia, J. (2022). K-Medoids Clustering dengan Jarak Dynamic Time Warping dalam Mengelompokkan Provinsi di Indonesia Berdasarkan Kasus Aktif Covid-19. PRISMA, Prosiding Seminar Nasional Matematika, 5, 685-692. Retrieved from https://journal.unnes.ac.id/sju/prisma/article/view/54711
Issue
Vol 5 (2022): PRISMA, Prosiding Seminar Nasional Matematika XV
Section
Articles

References

Ayundari, I., & Sutikno, S. (2019). Penentuan Zona Musim di Mojokerto Menurut Karakteristik Curah Hujan Dengan Metode Time Series Based Clustering. Inferensi, 2(2), 63. https://doi.org/10.12962/j27213862.v2i2.6819
Balabantaray, R. C., Sarma, C., & Jha, M. (2015). Document Clustering using K-Means and K-Medoids. Retrieved from http://arxiv.org/abs/1502.07938
Dinata, C., Puspitaningrum, D., & Erna, E. (2018). Implementasi Teknik Dynamic Time Warping (Dtw) Pada Aplikasi Speech To Text. Jurnal Teknik Informatika, 10(1), 49–58. https://doi.org/10.15408/jti.v10i1.6816
Gunawan, I., Anggraeni, G., Rini, E. S., & Mustofa, Y. (2020). Klasterisasi provinsi di Indonesia berbasis perkembangan kasus Covid-19 menggunakan metode K-Medoids. Seminar Nasional Matematika Dan Pendidikan Matematika (5thSENATIK), 301–306.
Lee, S., Kim, J., Hwang, J., Lee, E. J., Lee, K. J., Oh, J., … Heo, T. Y. (2020). Clustering of time series water quality data using dynamic time warping: A case study from the Bukhan River water quality monitoring network. Water (Switzerland), 12(9). https://doi.org/10.3390/w12092411
Marlina, D., Lina, N., Fernando, A., & Ramadhan, A. (2018). Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokkan Wilayah Sebaran Cacat pada Anak. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer Dan Teknologi Informasi, 4(2), 64. https://doi.org/10.24014/coreit.v4i2.4498
Montero, P., & Vilar, J. A. (2014). TSclust: An R package for time series clustering. Journal of Statistical Software, 62(1), 1–43. https://doi.org/10.18637/jss.v062.i01
Niennattrakul, V., & Ratanamahatana, C. A. (2007). On clustering multimedia time series data using k-means and dynamic time warping. Proceedings - 2007 International Conference on Multimedia and Ubiquitous Engineering, MUE 2007, (January 2007), 733–738. https://doi.org/10.1109/MUE.2007.165
Pramesti, D. F., Lahan, Tanzil Furqon, M., & Dewi, C. (2017). Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(9), 723–732. https://doi.org/10.1109/EUMC.2008.4751704
Putu Widya Adnyani, L., & Robinson Sihombing, P. (2021). Analisis Cluster Time Series Dalam Pengelompokan Provinsi Di Indonesia Berdasarkan Nilai PDRB. Lppm Bina Bangsa, 1(1), 47–54. https://doi.org/10.46306/bay.v1i1.5
Rembulan, G. D., Wijaya, T., Palullungan, D., Alfina, K. N., & Qurthuby, M. (2020). Kebijakan Pemerintah Mengenai Coronavirus Disease (COVID-19) di Setiap Provinsi di Indonesia Berdasarkan Analisis Klaster. JIEMS (Journal of Industrial Engineering and Management Systems), 13(2). https://doi.org/10.30813/jiems.v13i2.2280
Umi Narimawati. (2008). Metodologi Penelitian Kualitatif dan Kuantitatif, Teori dan Aplikasi. Bandung: Agung Medi
Velmurugan, T., & Santhanam, T. (2010). Computational complexity between K-means and K-medoids clustering algorithms for normal and uniform distributions of data points. Journal of Computer Science, 6(3), 363–368. https://doi.org/10.3844/jcssp.2010.363.368