Penerapan Metode Cosine Similarity Untuk Meningkatkan Kinerja K-Means Pada Pengelompokan Wilayah Penanganan Covid Di Dki Jakarta

Abstract

Fenomena Covid-19 telah menggemparkan dunia, Indonesia adalah salah satu negara dimana masyarakatnya terdampak dari virus tersebut. Pada penelitian ini  dilakukan klasterisasi epidemi virus Covid-19 di DKI Jakarta. kota tersebut di pilih berdasarkan angka kasus tertinggi di Indonesia. Alasan dilakukannya klasterisasi ini berkaitan dengan mengelompokkan kasus persebaran covid di daerah-daerah DKI Jakarta dimana nantinya akan dilakukan untuk menentukan penanganan Covid-19. Menerapkan teknik data mining. Pengelompokan didasarkan pada nomor parameter dirawat, sembuh, meninggal dan isolasi mandiri. Metode K-Means dan metode Cosine Similarity, dan diuji dengan metode DBI (Davies Bouldin Index) dengan menghitung tingkat  perhitungan DBI dengan menggunakan metode K-Means tanpa cosine dan tingkat  perhitungan DBI dengan menggunakan metode K-Means cosine. Penerapan teknologi data mining. Pengelompokan didasarkan pada nomor parameter. Pengklasteran dilakukan berdasarkan penyebaran kasus terbanyak di provinsi DKI Jakarta. Hasil perhitungannya adalah Tingkat perhitungan nilai DBI yang paling baik dengan menggunakan metode K-means cosine Similarity, karena nilai yang diperoleh rendah, yaitu diperoleh nilai DBI (Davies Bouldin Index) terkecil pada cluster 9 yaitu sebesar -5.527. Sedangkan nilai DBI terbesar  pada 2 cluster dengan nilai -2.282.

Kata kuncii : Covid 19 DKI Jakarta, Data Mining, K-means cosine similarity