Replikasi Jurnal 2

ANALISIS CLUSTER MENGGUNAKAN

ALGORITMA K-MEANS CLUSTER
UNTUK CULSTERING JENIS
PENYAKIT MENULAR PADA
PUSKESMAS DI KECAMATAN KOTA
TANGERANG
- Kelompok 10 -
Anggota
Aisy Yunita_H5401201070
Azuma Furqani R._H5401201083
Nadya Belicia S._H5401201085
Zahrani Safitri L._H5401201095
Identitas Jurnal
ANALISIS CLUSTER MENGGUNAKAN ALGORITMA
K-MEANS CLUSTER UNTUK CULSTERING JENIS
PENYAKIT MENULAR PADA PUSKESMAS DI
KECAMATAN KOTA TANGERANG

Aninda Rachman, Aden S.Si., M.Pd., dan Yulianti Rusdiana

S.Si., M.Sc
JURNAL SAINTIKA UNPAM
Juli 2019, Volume 2 No 1, 15-27
Pendahuluan
Kota Tangerang memiliki jumlah kepadatan penduduk yang cukup padat
yaitu sebesar 12.274/km2. Dari data terdapat 30 Puskesmas yang ada di
Kota Tangerang dengan jenis penyebaran penyakit menular diantaranya TB
Paru, Pneumonia, DBD dan Diare.

Kepadatan penduduk yang cukup padat menyebabkan ruang udara yang

sedikit sehingga menyebabkan penyebaran TB Paru lewat udara akan sangat
mudah. Lingkungan yang padat akan penduduk pun tidak bisa dihindari dari
lingkungan kotor, sehingga banyak sekali bakteri dan virus yang mengarah
ke diare.

Karena itu, perlu diketahui setiap daerah memiliki jenis penyakit mana yang
paling dominan pada puskesmas perkecamatan Kota Tangerang dengan
dilakukannya pengklasteran pada jenis penyakit menular dengan metode
yang digunakan adalah Analisis Klaster menggunakan Algoritma K-Means
Klaster dengan perhitungan menggunakan aplikasi SPSS 22.
Metodologi Penelitian
1. Analisis Klaster
2. Metode Kmeans
3. Interpretasi analisis klaster
4. Klaster Membership
5. Final Cluster Centers
6. ANOVA
7. Number of cases
8. Profiling
Analisis Klaster

Analisis cluster adalah metode yang tepat untuk mengidentifikasi

objek- objek yang homogen ke dalam kelompok-kelompok yang
disebut cluster. Cluster-cluster yang terbentuk memiliki homogenitas
internal yang tinggi dan heterogenitas eksternal yang tinggi (Hair,
dkk., 2010:486). Secara garis besar metode clustering dibagi menjadi
dua, yaitu: metode clustering hirarki dan metode clustering
nonhirarki
Metode K-Means
K-Means merupakan algoritma yang umum digunakan untuk clustering dokumen. Prinsip
utama K-Means adalah menyusun k prototype atau pusat massa (centroid) dari sekumpulan
data berdimensi. Sebelum diterapkan proses algoritma K-means, dokumen akan di
preprocessing terlebih dahulu. Kemudian dokumen direpresentasikan sebagai vektor yang
memiliki term dengan nilai tertentu.

Algoritma k-means merupakan algoritma yang membutuhkan parameter input sebanyak k

dan membagi sekumpulan n objek kedalam k cluster sehingga tingkat kemiripan antar
anggota dalam satu cluster tinggi sedangkan tingkat kemiripan dengan anggota pada cluster
lain sangat rendah. Kemiripan anggota terhadap cluster diukur dengan kedekatan objek
terhadap nilai mean pada cluster atau dapat disebut sebagai centroid cluster.
 Data
Penelitian
Data yang digunakan dalam
penelitian ini marupakan data
yang dikumpulkan dari sumber
BPS Kota Tangerang yakni
kecamatan, puskesmas (x1),
jumlah penduduk (x2),
kepadatan penduduk (x3), TB.
Paru (x4), Pneumonia, DBD,
dan diare (x5)
Interpretasi Analisis
Klaster Descritptive

Hasil dari descriptive statistic ini akan membantu pengelompokkan klaster

dengan zscore yang dihasilkan oleh uji ini. Sehingga dapat menganalisa klaster
yang terbentuk nantinya melalui zscore
Korelasi Uji Multikolinearitas

Dari tabel korelasi di samping antara

variabel TB Paru, Pneumonia, DBD, Diare
dengan Jumlah
Penduduk dan Kepadatan Penduduk
memiliki angka 0.614 angka ini menunjukan
adanya korelasi
yang cukup kuat dan positif atau searah. Ini
berarti keterhubungan masih cukup untuk
dilakukan
pengujian analisis klaster karena saling
terarah.
Interpretasi Analisis
Klaster Iniitials Cluster Centers

Pada tabel initial cluster centers ini merupakan proses pertama untuk
pengelompokan data aplikasi SPSS. Karena pengelompokan data ini merupakan
proses untuk pembentukan empat kluster secara kasarnya
Interpretasi Analisis
Klaster Iteration History

Tabel di samping merupakan tabel iteration history

yaitu proses pengelompokan kluster melalui iterasi
untuk membaca tabel ini, karena menggunakan K-
means Cluster tabel ini menjelaskan bahwa melalui
proses iterasi dengan gambaran tabel iterasi di
samping iterasi terjadi 3 kali, karena Pada iterasi 1 =
centeroid tidak signifikan iterasi 2 = nilai centeroid
hampir signifikan iterasi 3 = centeroid berada dalam
signifikan semua maka klaster sudah terbentuk dan
iterasi stop. dengan kluster yang telah ditentukan
yaitu empat kluster memilki proses iterasi sebanyak 3
kali iterasi dengan jarak minimum 4.635.
Cluster Membership

Pada cluster membership ini merupakan interpretasi klaster terbentuk melalui tiga kali
iterasi dan Cluster Membership dapat dikatakan hasil akhir klaster.
Final Cluster Centers
INTERPRETASI TABEL FINAL CLUSTER
Cluster 1
pada cluster 1 diperoleh bahwa DBD dan kepadatan penduduk berada di
atas rata-rata yang berada di Kota Tangerang.klaster ini tergolong
rendah karena hanya 2 variabel di atas rata-rata.
Cluster 2
Pada cluster 2 diperoleh bahwa jumlah penduduk, kepadatan penduduk,
TB. Paru, Pneumonia, dan diare di atas rata-rata yang berada di kota
Tangerang. Meskipun begitu, jika dibandingkan cluster 3, cluster
tersebut dianggap sedang.
Cluster 3
Pada cluster 3 diperoleh bahwa jumlah penduduk, kepadatan penduduk,
TB. Paru, Pneumonia, dan paru di atas rata-rata yang berada di kota
Tangerang. Oleh karenanya, cluster 3 tergolong cluster tinggi
Cluster 4
Pada cluster 4 diperoleh bahwa TB. Paru dan diare di atas rata-rata
yang berada di kota Tangerang. klaster ini tergolong rendah karena
hanya 2 variabel di atas rata-rata.
Anova

Apabila melihat tabel anova, kita bisa melihat tingkat signifikansi antar klaster. semakin
besar signifikansi berarti antar variabel mempunyai perbedaan yang signifikan. pada jurnal
telah diitung F hitung sebesar 51,30. dari perhitungan variabel 1 hasil F hitung > F tabel maka
dengan angka 51,30 > 18,366 dan signifikansi 0,000; maka 𝐻0 ditolak 𝐻1 diterima. Artinya,
keempat klaster mempunyai perbedaan yang signifikan.
Number of Cases

Pada tahap ini, untuk melihat keanggotaan tiap cluster. Nampak jelas bahwa
klaster 1 beranggotakan 12 Puskesmas, klaster 2 beranggotakan 2 Puskesmas,
klaster 3 beranggotakan 5 puskesmas, dan klaster 4 beranggotakan 11
puskesmas.
Profiling
Cluster 1
diperoleh bahwa terdapat 12 puskesmas yang terbagi pada cluster
1 dengan kasus terbanyak ada pada puskesmas Ciledug.
Cluster 2
Pada cluster 2 hanya terdapat 2 puskesmas saja dengan penamaan
pneumonia dengan kasus paling dominan berada di puskesmas
Panunggan.
Cluster 3
Pada cluster 3 terdapat 5 puskesmas dengan penamaan DBD dan
puskesmas Ketapang memiliki pasien yang terjangkit DBD lebih
banyak dari puskesmas lainnya dalam cluster 3.
Cluster 4
Pada cluster 4 dengan penamaan diare terdiri dari 11 puskesmas.
Kasus paling dominan ada di puskesmas gembor
Kesimpulan
Dari penelitian ini dihasilkan 4 klaster dengan profiling

Klaster 1 TB Paru: 12 Puskemas

Klaster 2 Pneumonia: 2 Puskesmas
Klaster 3 DBD: 5 Puskesmas
Klaster 4 Diare: 11 Puskesmas

Jadi, Klaster yang paling dominan dari klaster yang terbantuk

adalah Klaster 1
Daftar Pustaka
Hasan, M. I. (2002). Pokok-pokok Metodelogi Penelitian dan Aplikasinya.
Jakarta: Ghalia Indonesia.

Martono, N. (2011). Metode Penelitian Kuantitatif: Analisis Isi dan Analisis

Data Sekunder. Jakarta: PT.Raja Grafindo Persada.

Prof. Dr. Sugiono. (2013). Statistika Dalam Penelitian. Bandung: ALFABETA.

Prof. Gundono, Ph.D. CMA. (2017). Analisis Data Multivariat. Yogyakarta:

BPFE.

Sarwono, J. (2015). Rumus-rumus Populer dalam SPSS 22 untuk Riset Skripsi.

Yogyakarta: ANDI.

Sugiono. (2009). Penelitian Kuantitatif Kualititatif dan R&D. Bandung:

ALFABETA.

Suharsimi. (2002). Metodelogi Penelitian. Yogyakarta: ALFABETA.

Thank
you