ISSN: 2721-3684
Volume 1, Desember, pp: 331-337
Abstrak. Penyalahgunaan narkoba merupakan masalah yang sangat serius dan perlu
mendapatkan perhatian khusus dari semua pihak. Hal ini dibuktikan dengan semakin
meningkatnya kasus narkoba dan kasus kematian akibat penyalahgunaan narkoba yang
dilaporkan dari berbagai media. Dampak kecanduan narkoba dapat terlihat pada fisik, psikis
maupun sosial seseorang. Kasus penyalahgunaan narkoba pada setiap provinsi di indonesia
memiliki tingkat kasus yang beragam. Penelitian ini bertujuan untuk mengetahui cluster kasus
penyalahgunaan narkoba pada tingkat tinggi dan rendah. Metode yang dibutuhkan untuk
pengelompokan data kasus narkoba yaitu menggunakan metode data mining dengan algoritma
K-Medoids dan menggunakan sebuah sistem komputerisasi yaitu aplikasi rapidminer 5.3. Data
yang digunakan bersumber dari Badan Narkotika Nasional Republik Indonesia dengan sampel
data 3 tahun yang terdiri dari 34 provinsi untuk dibagi dalam 2 cluster. hasil dari perhitungan
algoritma K-Medoids diperoleh cluster tinggi sebanyak 10 provinsi dan cluster rendah sebanyak
24 provinsi. Pengelompokan ini diharapkan menjadi masukan bagi pemerintah atau pihak
terkait untuk lebih meningkatkan sosialisasi bahaya narkoba agar dapat meminimalisir angka
kematian dan kriminalitas akibat narkoba.
I. PENDAHULUAN
Narkoba yaitu singkatan dari Narkotika, Psikotropika, dan Bahan berbahaya lainnya yaitu suatu zat
kimia dari tanaman atau bukan tanaman, benda cair atau benda padat yang dapat mempengaruhi
keadaan fisikologis seseorang antara lain perasaan, pikiran, suasana hati juga perilaku jika masuk ke
tubuh seseorang dengan cara dimakan, diminum, dihirup, suntik intravena (pemberian obat melalui
injeksi/infus ke pembuluh vena) dan lain sebagainya [1]. Narkoba yang disalahgunakan menjadi salah
satu masalah yang perlu mendapatkan perhatian serius dari semua pihak. Hal ini terbukti dengan terus
meningkatnya kasus narkoba dan kasus kematian akibat penyalahgunaan narkoba yang dilaporkan dari
berbagai media [2]. Akibat dari narkoba yang disalahgunakan pada tubuh seseorang sangat tergantung
pada jenis narkoba yang digunakan, kepribadian pengguna dan situasi atau kondisi pengguna. Secara
umum akibat dari kecanduan narkoba bisa dilihat dari fisik, psikis ataupun sosial pengguna narkoba.
Jika narkoba dipakai secara terus menerus atau melebihi takaran yang telah ditentukan maka akan
berakibat ketergantungan. ketergantungan inilah yang dapat menyebabkan gangguan fisik dan psikis
seperti gangguan sistem syaraf, jantung dan pembuluh darah, kulit, paru-paru, ginjal, hati, sistem
reproduksi dan fungsi seksual, risiko tertular penyakit hepatitis B, C dan HIV. Over dosis narkoba akan
berakibat fatal pada penggunanya jika sudah melebihi kemampuan tubuh untuk menerimanya.
Algoritma clustering, salah satunya adalah K-Medoids clustering dapat diaplikasikan terhadap data
kasus narkoba dengan menggunakan tools Rapidminer dalam mengelompokkan kasus penyalahgunaan
narkoba menurut provinsi.
Algoritma K-Medoids yaitu salah satu metode pengelompokkan dalam Data mining. Beberapa teknik
dalam literatur data mining yaitu: klastering, klasifikasi, asosiasi, association rule mining, neural
network, dan genetic algorithm [3]. Algoritma ini memakai suatu objek pada kumpulan objek untuk
mewakili sebuah cluster. Metode K-Medoids cukup efisien untuk dataset yang kecil. Kelebihan dari
metode ini mampu mengatasi kelemahan dari metode K-Means yang sensitive terhadap outlier dan hasil
proses clustering tidak bergantung pada urutan masuk dataset [4]. Penelitian terdahulu yaitu [5]
paralelisasi algoritma K-Medoids pada general purpose menggunakan open computing language tahun
2015, menjelaskan algoritma paralel K-Medoids terbukti dapat meningkatkan performa proses
clustering hingga mencapai 364 kali lebih cepat dibanding algoritma sekuensial K-Medoids.
Menentukan kalimat utama dalam sebuah dokumen berita menggunakan pembobotan Term Frequency-
Invers Document Frequency dan mengelompokkan dokumen berita dengan metode K-
Medoids. Berdasarkan permasalahan diatas, penelitian ini bertujuan untuk mendapatkan hasil
pengklasteran kasus
START
Analisa masalah
Mempelajari literatur
Menetapkan metode
Mengumpulkan data
Mengelolah data
Menguji data
Kesimpulan
END
B. K-Medoids
K-Medoids atau Partitioning Around Medoids (PAM) adalah algoritma clustering yang hampir sama
dengan algoritma K-Means. Yang membedakan kedua algoritma ini adalah K-Medoids atau PAM
menggunakan objek sebagai perwakilan (medoid) menjadi pusat cluster untuk setiap cluster, sedangkan
K-Means menggunakan nilai rata-rata (mean) sebagai pusat cluster. Kelebihan dari K-Medoids yaitu
mengatasi kelemahan untuk algoritma K-Means yang sensitif terhadap noise dan outlier, dimana objek
yang memliki nilai besar rentan terjadi penyimpangan pada ditribusi data. Keunggulan lainnya adalah
hasil pengklasteran tidak bergantung pada urutan masuk dataset [4]. Langkah-langkah algoritma K-
Medoids adalah [7] :
1. Pilih poin k sebagai inisial centroid / nilai tengah (medoids) sebanyak k cluster.
2. Cari semua poin yang terdekat dari medoid, dengan menghitung jarak vektor antar dokumen dengan
menggunakan Euclidian Distance. Rumusnya adalah sebagai berikut:
(1)
Dimana:
d(x,y) = jarak antara data ke-i dan data ke-j
xi1 = nilai atribut ke satu dari data ke-i
yj1 = nilai atribut ke satu dari data ke-j
n = jumlah atribut yang digunakan
3. Secara acak, pilih poin yang bukan medoid.
4. Hitung total jarak antar medoid.
5. Jika TD baru < TD awal, tukar posisi medoid dengan medoid baru, maka jadilah medoid yang baru.
6. Ulang kembali langkah 2-5 hingga medoid tidak berubah.
Penerapan Algoritma K-Medoids Clusering digunakan untuk melakukan pengolahan data kasus
penyalahgunaan narkoba menurut provinsi di indonesia. Berikut tahapan-tahapan dalam penyelesaian
perhitungan manual data mining menggunakan algoritma K-Medoids Clustering:
1. Melakukan inisialisasi pusat cluster sebanyak 2 cluster pada data sampel yang ada. Pemilihan setiap
medoid dilakukan secara acak yaitu seperti pada tabel 2. berikut.
2. Menghitung nilai jarak (cost) dengan persamaan Euclidian Distance: untuk menghitung jarak antara
titik centroid dengan titik tiap objek menggunakan Euclidian Distance. Rumus untuk menghitung
jarak menggunakan (1). Maka perhitungan untuk jarak pada medoid ke – 1 adalah sebagai berikut:
Perhitungan jarak C1:
= 8,602325267
= 110,440029
Perhitungan Jarak C2:
= 60,73713856
= 67,72001181
Hasil dari keseluruhan dapat dilihat pada tabel 3, sebagai berikut:
3. Setelah mendapatkan hasil jarak dari setiap objek (cost) pada iterasi ke-1 maka lanjut iterasi ke-2.
Kandidat medoid baru (non medoid) pada iterasi ke-2 dapat dilihat pada tabel 4 berikut:
Untuk menentukan jarak dari setiap objek pada iterasi ke-2 sama dengan perhitungan
manual sebelumnya, yaitu sebagai berikut:
Perhitungan jarak C1:
= 55,32630477
= 60,81118318
Perhitungan Jarak C2:
= 14,69693846
= 119,8874472
Hasil dari keseluruhan dapat dilihat pada tabel 5, sebagai berikut:
Dari hasil penjelasan diatas mengenai penggunaan serta hasil yang telah ditampilkan, maka
pembahasan ini mengenai keterkaitan dari hasil yang diperoleh antara perhitungan manual algoritma
dengan hasil pengujian pada tools rapidminer 5.3.
Dari gambar diatas menampilkan hasil cluster yaitu pada titik merah (tinggi) memiliki 10 node dan
pada titik biru (rendah) memiliki 24 node.
GAMBAR 3. TAMPILAN CLUSTER MODEL
Pada tampilan cluster model di atas menunjukan dua cluster yaitu cluster 0=10 items, cluster 1=24
items, dan total = 34 items. Berdasarkan penjelasan diatas dapat dilihat bahwa perhitungan
menggunakan algoritma k-medoid dan menggunakan rapidminer diperoleh hasil yang sama.
B. Saran
Berikut saran-saran yang diharapkan untuk mengembangkan penelitian ini selanjutnya:
1. Penelitian ini dapat dikembangkan dengan metode data mining klasifikasi lainnya untuk melakukan
perbandingan.
2. Penelitian ini dapat dikembangkan dengan memperbanyak sampel data yang digunakan, karena
semakin banyak data yang digunakan maka semakin baik hasil yang diberikan.
DAFTAR PUSTAKA
[1] E. L. Purba, “Penerapan Metode Brainstorming Dalam Pembuatan Iklan Tentang Bahaya Narkoba,” Maj. Ilm. Inti, Vol. 7,
No. 1, Pp. 26–32, 2017.
[2] T. Muhammad, M. Harlem, G. Jamahir, And L. R. Saur, “Pemeriksaan Narkotika Menggunakan Sampel Urine,” J. Stikna,
Vol. 1, Pp. 1–14, 2017.
[3] K. Handoko, “Penerapan Data Mining Dalam Meningkatkan Mutu Pembelajaran Pada Instansi Perguruan Tinggi
Menggunakan Metode K - Means Clustering ( Studi Kasus Di Program Studi Tkj Akademi Komunitas Solok Selatan ),”
Teknosi, Vol. 02, No. 03, Pp. 1–10, 2016.
[4] D. F. Pramesti, M. T. Furqon, And C. Dewi, “Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data
Potensi Kebakaran Hutan / Lahan Berdasarkan Persebaran Titik Panas ( Hotspot ),” J. Pengemb. Teknol. Inf. Dan Ilmu
Komput., Vol. 1, No. 9, Pp. 723–732, 2017.
[5] M. T. Furqon, A. Ridok, And W. F. Mahmudy, “Paralelisasi Algoritma K-Medoid Pada Gpu Menggunakan Open Cl,”
Konf. Nas. Sist. Inf. 2015, Pp. 408–413, 2015.
[6] B. Novianti, T. Rismawan, And S. Bahri, “Implementasi Data Mining Dengan Algoritma C4 . 5 Untuk Penjurusan Siswa (
Studi Kasus : Sma Negeri 1 Pontianak ),” J. Coding, Sist. Komput. Untan, Vol. 04, No. 3, 2016.
[7] H. Zayuka, S. M. Nasution, And Y. Purwanto, “Perancangan Dan Analisis Clustering Data Menggunakan Metode K-
Medoids Untuk Berita Berbahasa Inggris,” E-Proceeding Eng. Vol.4, No.2 Agustus 2017, Vol. 4, No. 2, Pp. 1–9, 2017.