PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN INDEX KESEHATAN MASYARAKAT MENGGUNAKAN ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) DAN METODE DAVIES BOULDIN INDEX (DBI)
Abstract
Rendahnya ketersediaan air minum dan sanitasi yang memadai di Indonesia disebabkan oleh disparitas antara wilayah barat dan timur Indonesia. Di Provinsi Papua, misalnya, sekitar separuh penduduknya tidak memiliki air minum yang layak dan dua dari tiga rumah tangga memiliki sanitasi yang buruk. Sementara itu, hampir semua rumah tangga di Jakarta memiliki akses terhadap air minum yang memadai. Untuk mengatasi kesenjangan dan ketidasetaraan ini, diperlukan penelitian yang mendalam terkait indikator kesehatan lingkungan, termasuk akses air minum yang memadai, sanitasi yang memadai, dan perumahan yang layak. Dalam hal ini, diperlukan upaya untuk menentukan tingkat sanitasi di setiap wilayah atau provinsi sebagai langkah untuk mengatasi ketimpangan dalam kesehatan lingkungan. Salah satu pendekatan yang dapat digunakan adalah menggunakan metode Partitioning Around Medoids dengan menggunakan metode Davies Bouldin Index Optimization untuk menghitung cluster optimal yang dapat menentukan kelompok yang paling baik. Hasil penerapan metode Partitioning Around Medoids dalam pengelompokkan provinsi di Indonesia berdasarkan indikator kesehatan lingkungan menunjukkan bahwa terdapat 5 kelompok optimal dengan nilai indeks Davies Bouldin sebesar 1,3473 dengan variasi jumlah kelompok dari 2 hingga 10.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
Abdillah, G., Putra, F. A., Renaldi, F., Informatika, P. S., Jenderal, U., Yani, A., Barat, J., & Cimahi, K. (2016). Penerapan Data Mining Pemakaian Air Pelanggan Untuk Menentukan Klasifikasi Potensi Pemakaian Air Pelanggan Baru Di Pdam Tirta Raharja Menggunakan Algoritma K-Means. Sentika 2016, 18–19.
Abdurrahman, D. D., Agus, F. & Putra, G. M. (2021). Implementasi Algoritma Partitioning Around Medoids (PAM) untuk Mengelompokkan Hasil Produksi Komoditi Perkebunan (Studi Kasus: Dinas Perkebunan Provinsi Kalimantan Timur). Jurnal Ilmiah Ilmu Komputer, Informatika Mulawarman. Vol. 16, No. 2 September 2021.
Agarwal, S. (2014). Data mining: Data Mining Concepts and Techniques. Proceedings – 2013 International Conference on Machine Intelligence Research and Advancement. https://doi.org/10.1109/ICMIRA.2013.45
Badan Pusat Statistik. (2018). Indikator Perumahan dan Kesehatan Lingkungan Tahun 2018. Badan Pusat Statistik. Jakarta.
Han, J., & Kamber, M. (2006). Data Mining: Concept and Techniques, 2nd ed. San Fransisco: Morgan Kauffman.
Kaur, N. U., & Singh, D. (2014). K-Medoids Clustering Algorithm – A Review. International Journal of Computer Application and Technology (IJCAT). Vol. 1, Issue 1.
Lubis, I., Aisyah, N., & Mardikanto, A. K. (2019). Pedoman Pengukuran Capaian Pembangunan Perumahan dan Permukiman Berbasis Hasil (Outcome). Jakarta: Kementerian Perencanaan Pembangunan Nasional.
Mayasari, T. R. (2020). Pengelompokkan Berdasarkan Variabel Kesehatan Lingkungan dan Pengaruhnya Terhadap Kemiskinan di Indonesia Tahun 2018. Lampung: Jurnal Siger Matematika.
Pramesti, D. F., Furqon, M. T., & Dewi, C. (2017). Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(9), 723–732.
Sujacka, R. (2019.) Peningkatan Akurasi Algortima K-Means dengan Clustering Purity sebagai Titik Pusat Cluster Awal (Centroid). Universitas Sumatera Utara.
Triyanto, W. A. (2015). Algoritma K-Medoids untuk Penentuan Strategi Pemasaran Produk. Jurnal SIMETRIS. Vol. 6 No. 1, 183 – 188.
DOI: https://doi.org/10.32528/jasie.v4i1.20695
Refbacks
- There are currently no refbacks.
Copyright (c) 2022 JASIE: Jurnal Aplikasi Sistem Informasi dan Elektronika
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.