Seminar Nasional Matematika dan Terapan 2019

ISSN: 2721-3684
Volume 1, Desember, pp: 331-337

Analisis Clustering Kasus Penyalahgunaan Narkoba

Menurut Provinsi Menggunakan Algoritma K-Medoids
1 2 3
Wawan Masjayade , M. Safii , Dedi Suhendro
1
Mahasiswa Program Studi Sistem Informasi STIKOM Tunas Bangsa Pematangsiantar
2,3
STIKOM Tunas Bangsa Pematangsiantar, Indonesia
wmasjayade@gmail.com

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.

Kata kunci: Penyalahgunaan Narkoba, K-Medoids, Data Mining

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

Analisis Clustering Kasus Penyalahgunaan Narkoba Menurut Provinsi(Wawan Masjayade) |331

penyalahgunaan narkoba pada tahun 2015 – 2017 menggunakan Algoritma K-Medoids, dengan harapan
penelitian ini dapat membantu pemerintah atau pihak terkait dalam meningkatkan sosialisasi tentang
bahaya penyalahgunaan narkoba sehingga dapat membantu dalam mengurangi angka kematian dan
kriminalitas akibat dari penyalahgunaan narkoba di Indonesia.

II. METODE PENELITIAN

Penelitian ini dilakukan untuk mengaplikasikan data mining dalam melakukan pengklasteran data
kasus penyalahgunaan narkoba. Metode k-medoids dianggap sebagai metode yang tepat dalam
melakukan clustering kasus penyalahgunaan narkoba. Penelitian ini dilakukan untuk mengetahui
diketahui cluster tinggi dan cluster rendah dari data kasus narkoba pada provinsi di indonesia. Disini
penulis menggunakan metode pengumpulan data sekunder atau metode pengumpulan dokumen yang
bersumber dari: Badan Narkotika Nasional (BNN) Republik Indonesia, dengan website:
https://bnn.go.id/. Data yang digunakan dalam penelitian ini adalah data kasus narkoba dari tahun 2015
– 2017 yang terdiri dari 34 provinsi. Variabel yang digunakan adalah variabel kasus penyalahgunaan
narkoba. Data akan diolah dengan melakukan clustering kasus penyalahgunaan narkoba berdasarkan
provinsi dalam 2 cluster yakni cluster tinggi dan cluster rendah.

START

Analisa masalah

Mempelajari literatur

Menetapkan metode

Mengumpulkan data

Mengelolah data

Menguji data

Kesimpulan

END

GAMBAR 1. FLOWCHART RANCANGAN PENELITIAN

Gambar 1. menjelaskan rancangan penelitian yang dilakukan untuk menentukan pengelompokkan

data penyalahgunaan narkoba dengan menggunakan metode k-medoids clustering yang terdiri dari :
1. Analisis Masalah
Menganalisis masalah yang terkait dengan data kasus penyalahgunaan narkoba dan menentukan
parameter yang digunakan. Pada penelitian ini parameter yang digunakan yaitu data kasus
penyalahgunaan narkoba dari tahun 2015 – 2017.
2. Mempelajari Literatur
Penelitian ini harus didasari rujukan yang digunakan untuk mendapatkan informasi dalam
penelitian.
3. Menetapkan Metode
Menetapkan metode untuk memecahkan masalah. Penelitian ini menggunakan metode k-medoids
clustering.
4. Mengumpulkan Data
Data diperoleh dari Badan Narkotika Nasional Republik Indonesia, dengan website:
https://bnn.go.id/ mengenai data kasus penyalahgunaan narkoba tahun 2015 – 2017.
5. Mengelolah Data
Melakukan pengelolahan data dengan menggunakan data mining khususnya metode K-Medoids
Clustering.
6. Menguji data
Pengujian data dilakukan dengan menggunakan tools Rapidminer
5.3.
7. Kesimpulan
Kesimpulan yang didapatkan adalah berupa 2 cluster yakni cluster rendah dan cluster tinggi.
Dimana cluster tertinggi menjadi fokus utama oleh pemerintah atau pihak terkait khususnya Badan
Narkotika Nasional (BNN) untuk lebih menekan dan meningkatkan sosialisasi akan bahaya
penyalahgunaan narkoba.
A. Data Mining
Data Mining yaitu tahapan yang memakai teknik statistik, matematika, kecerdasan buatan, dan
machine learning untuk mengekstraksi dan mengidentifikasi informasi yang memiliki manfaat dan
wawasan yang tersusun dalam berbagai database besar [6].

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.

III.HASIL DAN PEMBAHASAN

Berikut adalah data penelitan yang telah diperoleh dari Badan Narkotika Nasional Republik
Indonesia mengenai data kasus penyalahgunaan narkoba yang terdiri dari 34 provinsi dari tahun 2015 –
2017.
TABEL 1. DATA KASUS PENYALAHGUNA NARKOBA
Jumlah Kasus Penyalahguna
No Provinsi Narkoba (Pertahun)
2015 2016 2017
1 Aceh 19 20 15
2 Sumatera Utara 35 99 95
3 Sumatera Barat 7 20 10
4 Riau 23 22 24
5 Jambi 18 17 23
6 Sumatera Selatan 41 63 43
7 Bengkulu 13 11 11
8 Lampung 35 28 14
9 Kep. Bangka Belitung 13 23 10
10 Kep. Riau 56 52 51
11 Dki Jakarta 6 15 36
12 Jawa Barat 6 14 50
13 Jawa Tengah 3 31 30
14 Di Yogyakarta 12 17 22
15 Jawa Timur 85 47 67
16 Banten 13 17 13
17 Bali 49 54 45
18 Nusa Tenggara Barat 6 14 7
19 Nusa Tenggara Timur 7 1 2
20 Kalimantan Barat 10 11 19
21 Kalimantan Tengah 16 16 28
22 Kalimantan Selatan 20 16 43
23 Kalimantan Timur 59 62 78
24 Kalimantan Utara 2 3 10
25 Sulawesi Utara 5 7 9
26 Sulawesi Tengah 40 52 60
27 Sulawesi Selatan 52 35 67
28 Sulawesi Tenggara 19 14 20
 Jumlah Kasus Penyalahguna
No Provinsi Narkoba (Pertahun)
2015 2016 2017
29 Gorontalo 9 10 19
30 S ulawesi Barat 13 5 21
31 M aluku 34 50 59
32 M aluku Utara 3 16 13
33 P apua Barat 3 9 6
34 P apua 19 28 16

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.

TABEL 2. MEDOID AWAL

No Provinsi 2015 2016 20
1. Jambi (C1) 18 17
2. Kep. Riau (C2) 56 52

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:

TABEL 3. HASIL PERHITUNGAN ALGORITMA K-MEDOIDS ITERASI KE-1

Jarak Ke Medoid Klaster yang
No. Provinsi Terdekat diikuti
C1 C2
1 Aceh 8,6023253 60,737139 8,602325 1
2 Sumatera Utara 110,44003 67,720012 67,72001 2
3 Sumatera Barat 11,575837 68,782265 11,57584 1
4 Riau 7,1414284 52,134442 7,141428 1
5 Jambi 0 58,762233 0 1
6 Sumatera Selatan 55,181519 20,248457 20,24846 2
7 Bengkulu 14,317821 71,624018 14,31782 1
8 Lampung 22,15852 48,846699 22,15852 1
9 Kep. Bangka Belitung 15,165751 66,113539 15,16575 1
10 Kep. Riau 58,762233 0 0 2
11 Dki Jakarta 17,804494 63,984373 17,80449 1
12 Jawa Barat 29,698485 62,809235 29,69848 1
13 Jawa Tengah 21,400935 60,770058 21,40093 1
14 Di Yogyakarta 6,0827625 63,261363 6,082763 1
15 Jawa Timur 85,586214 33,496268 33,49627 2
16 Banten 11,18034 67,21607 11,18034 1
17 Bali 53,047149 9,4339811 9,433981 2
18 Nusa Tenggara Barat 13,747727 71,414284 13,74773 1
19 Nusa Tenggara Timur 22,315914 80,765091 22,31591 1
20 Kalimantan Barat 10,77033 69,433421 10,77033 1
21 Kalimantan Tengah 5,4772256 58,5235 5,477226 1
22 Kalimantan Selatan 30,083218 50,950957 30,08322 1
23 Kalimantan Timur 82,042672 28,94823 28,94823 2
24 Kalimantan Utara 24,919872 83,65405 24,91987 1
25 Sulawesi Utara 21,563859 79,937476 21,56386 1
26 Sulawesi Tengah 55,479726 18,35756 18,35756 2
27 Sulawesi Selatan 58,446557 23,685439 23,68544 2
28 Sulawesi Tenggara 4,3588989 61,43289 4,358899 1
29 Gorontalo 12,083046 70,689462 12,08305 1
30 Sulawesi Barat 13,152946 70,413067 13,15295 1
 Jarak Ke Medoid Klaster yang diikuti
No. Provinsi Terdekat
C1 C2
31 Maluku 51,390661 23,49468 23,49468 2
32 Maluku Utara 18,05547 74,49161 18,05547 1
33 Papua Barat 24,041631 81,749618 24,04163 1
34 Papua 13,076697 56,302753 13,0767 1
Jumlah 989,1523 1880,184
Total Cost 2869,336527

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:

TABEL 4. KANDIDAT MEDOID BARU

No Provinsi 2015 2016
1. Maluku (C1) 34 50
2. Gorontalo (C2) 9 10

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:

TABEL 5. HASIL PERHITUNGAN ALGORITMA K-MEDOIDS ITERASI KE-2

Jarak Ke Medoids Klaster yang
No. Provinsi Terdekat
C1 C2 diikuti
1 Aceh 55,326305 14,696938 14,69694 2
2 Sumatera Utara 60,811183 119,88745 60,81118 1
3 Sumatera Barat 58,949131 5,4772256 5,477226 2
4 Riau 46,151923 19,104973 19,10497 2
5 Jambi 51,390661 12,083046 12,08305 2
6 Sumatera Selatan 21,771541 66,400301 21,77154 1
7 Bengkulu 65,314623 9 9 2
8 Lampung 50,0999 32,015621 32,01562 2
9 Kep. Bangka Belitung 59,757845 16,309506 16,30951 2
10 Kep. Riau 23,49468 70,689462 23,49468 1
11 Dki Jakarta 50,378567 17,972201 17,9722 2
12 Jawa Barat 46,486557 31,400637 31,40064 2
13 Jawa Tengah 46,314145 24,083189 24,08319 2
14 Di Yogyakarta 54,240206 8,1853528 8,185353 2
15 Jawa Timur 51,710734 97,205967 51,71073 1
16 Banten 60,382117 10,049876 10,04988 2
17 Bali 20,904545 64,899923 20,90454 1
18 Nusa Tenggara Barat 62 5,3851648 5,385165 2
19 Nusa Tenggara Timur 73,068461 11,575837 11,57584 2
20 Kalimantan Barat 60,80296 1,4142136 1,414214 2
21 Kalimantan Tengah 49,406477 12,884099 12,8841 2
22 Kalimantan Selatan 37,255872 36,235342 36,23534 2
23 Kalimantan Timur 33,615473 93,193347 33,61547 1
24 Kalimantan Utara 75,059976 13,379088 13,37909 2
25 Sulawesi Utara 72,041655 11,18034 11,18034 2
26 Sulawesi Tengah 6,4031242 66,377707 6,403124 1
27 Sulawesi Selatan 24,758837 69,123079 24,75884 1
28 Sulawesi Tenggara 55,154329 10,816654 10,81665 2
29 Gorontalo 61,846584 0 0 2
30 Sulawesi Barat 62,529993 6,7082039 6,708204 2
31 Maluku 0 61,846584 0 1
32 Maluku Utara 65,061509 10,392305 10,3923 2
33 Papua Barat 73,830888 14,3527 14,3527 2
34 Papua 50,576674 20,808652 20,80865 2
Jumlah 1686,897 1065,135
Total Cost 2752,032457
4. Hitung Total Simpangan (S)
Setelah mendapatkan nilai jarak iterasi ke-1 dan iterasi ke-2, lalu hitung total simpangan (S) dengan
mengurangkan nilai total cost baru – nilai total cost lama. Dengan ketentuan jika S<0, maka tukar
nilai objek dengan menentukan medoid baru.
S = Total cost baru – Total cost lama
= 2752,032457- 2869,336527
= -117,304
Diketahui hasil hitung simpangan (S) menunjukan bahwa S<0, maka ulangi langkah sebelumnya
hingga S>0, sehingga didapatkan cluster beserta anggota cluster masing-masing.
Perhitungan dilakukan hingga iterasi ke-3. Setelah mendapatkan nilai jarak iterasi ke-3, kemudian
hitung kembali total simpangan (S) dengan mengurangkan nilai total cost baru – nilai total cost lama.
S = Total cost baru – Total cost lama
= 2780,392684 - 2752,032457
= 28,36022645
Diketahui hasil hitung simpangan (S) menunjukan bahwa S>0, maka proses cluster dapat dihentikan.
sehingga diperoleh anggota tiap cluster yang dapat dilihat pada tabel 6. di bawah ini.

TABEL 6. ANGGOTA PROVINSI CLUSTER TINGGI DAN RENDAH

No Cluster Rendah Cluster Tinggi
1 Aceh Sumatera Utara
2 Sumatera Barat Sumatera Selatan
3 Riau Kepulauan Riau
4 Jambi Jawa Timur
5 Bengkulu Bali
6 Lampung Kalimantan Selatan
7 Kep. Bangka belitung Kalimantan Timur
8 DKI Jakarta Sulawesi Tengah
9 Jawa Barat Sulawesi Selatan
10 Jawa Tengah Maluku
11 DI Yogyakarta -
12 Banten -
13 Nusa Tenggara Barat -
14 Nusa Tenggara Timur -
15 Kalimantan Barat -
16 Kalimantan Tengah -
17 Kalimantan Utara -
18 Sulawesi Utara -
19 Sulawesi Tenggara -
20 Gorontalo -
21 Sulawesi Barat -
22 Maluku Utara -
23 Papua Barat -
24 Papua -

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.

GAMBAR 2. TAMPILAN DATA HASIL PENGELOMPOKKAN CLUSTER

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.

IV. SIMPULAN DAN SARAN

A. Simpulan
Berdasarkan pembahasan di atas dapat disimpulkan bahwa:
1. Penerapan data mining menggunakan algoritma K-Medoids untuk pengklasteran kasus
penyalahgunaan narkoba menurut provinsi dengan data uji sebanyak 34 provinsi dengan penggunaan
dua cluster. Cluster 1 (Nilai tertinggi) terdapat 10 Provinsi, cluster 2 (Nilai terendah) terdapat 24
provinsi.
2. Pengujian data pada Rapidminer5.3 dengan menggunakan algoritma K-Medoids berhasil
menampilkan dua cluster dari hasil klasifikasi dengan presentase keakuratan sebesar 100%.

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.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada berbagai pihak yang turut membantu dalam penyelesaian
Skripsi ini. Kepada kedua Orangtua tercinta yang selalu memberikan doa, movitasi, dan paling utama
pengorbanannya kepada penulis demi terselesaikannya skripsi ini dengan baik. Semoga Allah SWT
selalu memberikan kesehatan, umur panjang, perlindungan, dan dilimpahkan segala keberkahan dunia
maupun di akhirat kelak atas segala kebaikan yang saya rasakan selama hidup.

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.