implementasi algoritma k-means untuk pengelompokan penyakit

IMPLEMENTASI ALGORITMA K-MEANS UNTUK
PENGELOMPOKAN PENYAKIT PASIEN ( STUDI KASUS :
PUSKESMAS KAJEN)
K-MEANS ALGORITHM IMPLEMENTATION FOR
CLASSIFICATION OF DISEASE PATIENT (CASE STUDY :
HEALTH CENTERS KAJEN REGENCY PEKALONGAN)
1,2
Denada Ladyta Putri1,Heru Agus Santoso2
Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Jl.Nakula I No.5-11, Semarang, Jawa Tengah, 50131, Indonesia
E-mail: [email protected], [email protected]
Abstrak
Kondisi kesehatan masyarakat di daerah Pekalongan yang tidak tetap dan salalu berubah – ubah ini sangat
meyulitkan Tim Dinas Kesehatan dalam memonitoring dan memberi pembinaan pada masyarakat tersebut, banyak
variabel yang mempengaruhi tingkat kesehatan disuatu masyarakat diantaranya adalah variabel ekonomi,
epidemiologi dan pendidikan. Pada penelitian ini bertujuan untuk mengelompokkan penyakit pasien berdasarkan
penyakit di suatu daerah tertentu pada Puskesmas Kajen Kabupaten Pekalongan sebanyak 1000 data pasien
menggunakan metode K-Means dengan inputan variabel umur, kode penyakit dan lama mengidap penyakit dari data
pasien. Penyakit ini merupakan penyakit yang sebagian besar mendiami atau menyerang suatu daerah tertentu
dengan korban atau penderita terbanyak di daerah tersebut. hasil dari penelitian ini juga dapat dimanfaatkan
sebagai dasar acuan untuk penyuluhan kesehatan didaerah setempat. Dari hasil pengujian sistem menggunakan
data sebanyak 1000 data menghasilkan tiga kluster yaitu cluster C1 (Kecamatan Bojong) pada daerah ini penyakit
yang banyak diderita oleh pasien adalah jenis penyakit Commond Cold, cluster C2 (Kecamatan Karanganyar) pada
daerah ini penyakit yang banyak diderita oleh pasien adalah penyakit Gangguan perkembangan dan erupsi gigi,
dan pada cluster C3 (Kecamatan Kajen) pada daerah ini penyakit yang banyak diderita oleh pasien adalah penyakit
Pneumonia. Hasil dari uji sistem menggunakan 20% data yang di peroleh dari tempat penelitian menghasilkan
akurasi sebesar 62%.
Kata kunci
: K-means, Data Mining, Clustering, Puskesmas Kajen
Abstract
The unstable and change able public health conditions in Pekalongan make it difficult for Team Health
Department in monitoring and providing guidance to people. There are many variables that affect health level in the
society such as economic, epidemiology and education variables. This study aims to classify disease of patients by
disease in a particular region. For instance, it is registered in Health Center Kajen that there are 1000 patients use
the K-Means with the input variables of age, disease code and patient length of suffering the diseases. This disease
is a disease that mostly inhabit or invade and mostly in a particular area with most patients in the area. The results
of this research can also be used as the reference for health education in the local area. From the results of testing
the system using the data of 1000 patients implies three clusters which are cluster C1 (Subdistrict Bojong) with the
disease suffered by people around this area is Common Cold, for cluster C2 (Subsdistrict Karanganyar) which is
having developmental disorders disease and tooth eruption as the diseases disease suffered by people around this
area, and cluster C3 (Subdistrict Kajen) with the disease suffered by people around this area is pneumonia. The
results of the test system using 20% of the data derived from the research with accuracy at 62%.
Keyword
: K-means, Data Mining, Clustering, Health Center
1.
PENDAHULUAN
Kesehatan merupakan salah satu hak asasi manusia yang telah dicantumkan dalam Undang – Undang Dasar
Republik Indonesia, kesehatan juga menjadi salah satu investasi dalam suatu negara untuk itu dibangun suatu
organisasi Dinas Kesehatan pada setiap daerah di Indonesia. Kondisi kesehatan masyarakat di daerah pekalongan
yang tidak tetap dan salalu berubah – ubah ini sangat meyulitkan Tim Dinas Kesehatan dalam memonitoring dan
memberi pembinaan pada masyarakat tersebut, banyak variabel yang mempengaruhi tingkat kesehatan disuatu
masyarakat diantaranya adalah variabel ekonomi, epidemiologi dan pendidikan[1].
Jaminan kesehatan merupakan salah satu indikator suatu negara dapat dikatan telah mencapai suatu
keberhasilan pembangunan negara tersebut. Departemen Kesehatan di Indonesia melalui Dinas Kesehatan yang
tersebar diseluruh wilayah telah mengumpulkan data kesehatan dari setiap daerah yang kemudian data tersebut
diolah untuk menghasilkan rangking kota sehat di Indonesia. Perangkingan ini juga sebagai kegiatan acuan bagi
Pemerintah Daerah untuk lebih meningkatkan rangking kesehatan pada daerahnya masing – masing yang dapat
menjadikan negara Indonesia dikatakan berhasil dari segi pembangunan[2].
Dalam perangkingan kesehatan pada daerah Kajen Kabupaten Pekalongan masih menggunakan cara manual
yaitu perhitungan yang masih menggunakan rata – rata seluruh hasil indikator atau didasarkan pada distribusi data
pada setiap daerah, pengolahan data indikator data juga masih menggunakan teknik statistik dasar, ini menghasilkan
output yang kurang maksimal dan memiliki permasalahan pada konsistensi data pada setiap Dinas Kesehatan[2].
Tumpukan data yang berada pada Puskesmas sekarang ini hanya sebatas memberikan grafik atau statistik jumlah
pasien yang berobat dengan penyakit yang diderita beserta laporan penyakit yang diderita beserta informasi obat dari
penyakit tersebut. Laporan data inilah yang dijadikan oleh dinas kesehatan untuk melakukan kebijakan – kebijakan
apabila memonitoring dan memberikan penyuluhan.
Untuk menentukan konsistensi data kesehatan dapat digunakan teknik data mining yang mampu menggali
informasi tersembunyi dari kumpulan data multidimensi yang telah diperoleh, selain itu pengekstrakan data yang
terhubung dengan data lain juga dapat dilakukan oleh teknik data mining ini. Salah satu teknik data mining yang
cukup terkenal yaitu clustering dan metode yang cukup polpuler dalam teknik data mining ini dalah metode kmeans[3].
Oleh karena itu berdasarkan permasalah yang telah dipaparkan di atas maka penulis ingin menerapkan metode
k-means untuk menghasilkan informasi mengenai pengelompokkan penyakit yang tersebar dibeberapa daerah yang
ada di Kajen Kabupaten Pekalongan berdasarkan data yang didapat dari Puskesmas Kajen. Yang kemudian hasil
tersebut dapat dijadikan bahan atau dasar penyuluhan kesehatan oleh Dinas Kesehatan setempat.
1.
METODE
Untuk menentukan konsistensi data kesehatan dapat digunakan teknik data mining yang mampu menggali
informasi tersembunyi dari kumpulan data multidimensi yang telah diperoleh, selain itu pengekstrakan data yang
terhubung dengan data lain juga dapat dilakukan oleh teknik data mining ini. Salah satu teknik data mining yang
cukup terkenal yaitu clustering dan metode yang cukup polpuler dalam teknik data mining ini dalah metode kmeans[3].
1.1 Data mining
Data Mining juga dikenal dengan istilah pattern recognition merupakan suatu metode yang digunakan untuk
pengolahan data guna menemukan pola yang tersembunyi dari data yang diolah. Data yang diolah dengan
teknik data mining ini kemudian menghasilkan suatu pengetahuan baru yang bersumber dari data lama, hasil
dari pengolahan data tersebut dapat digunakan dalam menentukan keputusan di masa depan[4].
1.2 Teknik Data Mining
a. Klasifikasi
Klasifikasi merupakan teknik data mining yang dalam prosesnya menentukan recorddari data yang baru ke
dalam salah satu atau beberapa kelas (kategori) yang terlebih dahulu didefinisikan, teknik ini juga disebut
juga supervised learning.
b. Association Rule Discovery
Association Rule Discovery merupakan teknik data mining dengan mendeteksi suatu kumpulan atribut atau
variabel yang terdapat dalam frekuensi yang sering muncul dan membentuk sejumlah kaida dari kumpulan
– kumpulan tersebut.
c. Sequeential Pattern Discovery
Sequeential Pattern Discoverymerupakan salah satu teknik data miningyang mencari sejumlah kejadian
atau event yang berlangsung dan terjadi secara bersamaan.
d. Regression
Regresi merupakan teknik memprediksi dari suatu variabel kontinu yang telah diberikan berdasarkan nilai
dari variabel yang lain, dengan mengansumsikan sebuah model ketergantungan linier atau nonlinier.
1.3 Tahap – Tahap Data Mining
a. Data Cleaning (Pembersihan Data)
Pada tahap ini data – data yang tidak relevan dan mengandung noise akan dihilangkan begitu juga data
yang tidak konsisten, ini bertujuan untuk mempermudah pencarian pola.
b. Data Integration (Integrasi Data)
Pada tahap ini akan dilakukan proses pengggabungan data ke dalam database yang baru, karena pada data
mining proses yang dilakukan tidak hanya menggunakan satu data namun beberapa data sekaligus, untuk
itu perlu dilakukan data integrasi.
c. Data Selection (Seleksi Data)
Kebutuhan data yang dari data yang diperoleh tidak kesemuanya akan dipakai dalam kebutuhan, untuk itu
pada data yang diperoleh akan dilakukan penyeleksian data, ini juga dilakukan untuk memebuang data –
data yang tidak relevan dan tidak valid yang akan mempengaruhi informasi berikutnya.
d. Data Transformation (Transformasi Data)
Data yang telah dilakukan pemrosesan dengan tahap – tahap diatas kemudian dilakukan penggabungan
dalam format tertentu yang sesuai dengan data mining, karena metode yang digunakan dalam proses
mining membutuhkan format – format data tertentu agar supaya bisa diolah sedemikian rupa.
e. Proses Mining
Proses mining merupakan proses yang paling utama pada saat penerapan metode tertentu yang digunakan
dalam data mining yang bertujuan untuk menemukan dan menggali informasi berharga yang terdapat
dalam suatu data.
f. Pattern Evaluation (Evaluasi Pola)
Evaluasi pola dalam tahap data mining merupakan proses mengidentifikasi atau menganalisa pola – pola
yang terdapat dalam data kemudian pola – pola tersebut dilakukan evaluasi untuk menilai apakah hipotesa
yang didapatkan bisa tercapai atau tidak.
g. Knowledge Presentation (Presentasi Pengetahuan)
proses ini adalah bagaimana memformulasiakan keputusan atau aksi dari hasil analisis yang didapatkan.
Hasil dari presentasi pengetahuan ini juga melibatkan orang – orang yang tidak memahami data mining,
karena pengetahuan yang dihasilkan juga bersifat umum.
1.4 K-means
K-means merupakan suatu algoritma yang digunakan dalam pengelompokkan secara pertisi yang
memisahkan data ke dalam kelompok yang berbeda – beda. Algoritma ini mampu meminimalkan jarak
antara data ke clusternya. Pada dasarnya penggunaan algoritma ini dalam proses clustering tergantung
pada data yang didapatkan dan konklusi yang ingin dicapai di akhir proses[8].
1.5 Clustering
Clustering adalah metode yang digunakan dalam data mining yang cara kerjanya mencari dan mengelompokkan
data yang mempunyai kemiripan karakteristik antara data satu dengan data lainnya yang telah diperoleh. Ciri khas
dari teknik data mining ini adalah mempunyai sifat tanpa arahan (unsupervised), yang dimaksud adalah teknik ini
diterapkankan tanpa perlunya data training dan tanpa ada teacher serta tidak memerlukan target output[4].
Metode clustering yang mempunyai sifat efesien dan cepat yang dapat digunakan salah satunya adalah metode
k-means, metode ini bertujuan untuk membuat cluster objek berdasarkan atribut menjadi kpartisi. Cara kerja metode
ini adalah mula – mula ditentukan cluster yang akan dibentuk, pada elemen pertama dalam tiap cluster dapat dipilih
untuk dijadikan sebagai titik tengah (centroid), selanjutnya akan dilakukan pengulangan langkah – langkah hingga
tidak ada objek yang dapat dipindahkan lagi[5].
Langkah langkah Algoritma K-Means
Tahap 1: Pusat awal cluster
Pusat awal cluster ini maka akan diansumsikan data yang memiliki nilai terendahlah yang akan digunakan
sebagai pusat awal cluster, yaitu :
Data ke-
Umur
Kode penyakit
Lama mengidap
4
11
18
2
8
14
21
1
11
3
21
1
Tahap 2 : Perhitungan jarak pusat cluster
Setalah pusat awal ditentukan yaitu dengan mengambil nilai yang paling rendah dari seluruh data, maka proses
selanjutnya akan dihitung jarak antara data dengan pusat awal cluster menggunakan persamaan euclidean distace
sebagai berikut :
√∑
Dimana :
Cik
: pusat cluster
Ckj
: data
Tahap 3 : Pengelompokkan data
Jarak hasil perhitungan pada point ke-2 akan dilakukan perbandingan dan dipilih jarak yang paling dekat antara
data dengan pusat cluster, jarak ini akan menunjukkan bahwa data yang memiliki jarak terdekat berada dalam satu
kelompok dengan pusat cluster terdekat, pengelompokkan data tersebut dapat dilihat pada tabel 4.3 di bawah ini,
nilai 1 berarti data tersebut berada dalam kelompok.
Tahap 4 : Penetuan pusat cluster baru
Setelah didapatkan anggota dari setiap cluster kemudian pusat cluster baru dihitung berdasarkan data anggota
tiap – tiap cluster yang sudah didapatkan menggunakan rumus yang sesuai dengan pusat anggota cluster.
Tahap 5 :Hitung jarak data ke pusat cluster baru
Setelah pusat cluster baru didapatkan seperti pada point ke-4 selanjutnya proses perhitungan jarak data ke pusat
cluster baru dilakukan seperti pada point ke-2 dengan menggunakan euclidean distance.
√∑
Dimana :
Cik
Ckj
: pusat cluster
: data
Tahap 6:Ulangi langkah dua sampai dengan lima sehingga sudah tidak ada lagi data yang berpindah ke
cluster lain.
Jarak hasil perhitungan data ke pusat cluster baru akan dilakukan perbandingan dan dipilih jarak yang paling
dekat antara data dengan pusat cluster baru, jarak ini akan menunjukkan bahwa data yang memiliki jarak terdekat
berada dalam satu kelompok dengan pusat cluster terdekat.
METODOLOGI PENELITIAN
3.1 Metode Pengumpulan Data
a. Studi Literatur
Studi literatur yang digunakan disini meliputi pengolahan data penyakit pasien Puskesmas Kajen dan
pemrograman.
b. Sample Data Set
Data pada penelitian yang sedang dilakukan merupakan data penyakit pasien Puskesmas Kajen sebanyak 1000
data yang akan dikelompokkan ke dalam penyakit berdasarkan tiap daerah
c. Studi Pustaka
Hal ini yang bertujuan untuk melakukan atau memperoleh data sebagai data pendukung maupun tambahan
dengan memperoleh data dengan cara tidak langsung atau disebut dengan data sekunder yaitu yang bersumber
berupa literatur, buku, jurnal, dan informasi dari internet yang berkaitan dengan penelitian ini yaitu mengetahui
tingkat kepuasaan konsumen untuk meningkatkan kualitas pelayanan.
d. Metode Analisa data
Dalam penulisan penelitian ini menggunakan analisis data yang bersifat kualitatif, penelitian kualitatif adalah
analisis yang dilakukan dengan mengelompokkan data untuk mencari suatu pola dari hal yang dipelajari dan
membandingkan konsep – konsep yang ada dalam sumber.
3.2
Variabel Penelitian
Pada sebuah penelitian data mining pastinya terdapat data yang akan diolah dengan metode yang telah
ditentukan sebelumnya, pada penelitian ini data yang digunakan adalah data pasien dari Puskesmas Kajen Kabupaten
Pekalongan yang akan diolah menggunakan metode k-means untuk mengelompokkan data penyakit pasien tersebut
kedalam kelompok penyakit berdasarkan beberapa variabel inputan. Variabel inputan yang digunakan dalam
pengelompokkan penyakit pasien tersebut adalah nama, nomor ID, jenis kelamin, umur, kode penyakit, dan lama
mengidap penyakit tersebut dalam hitungan bulan. Kemudian variabel tersebut akan diolah menggunakan metode kmeans yang kemudian menghasilkan output kelompok penyakit berdasarkan hitungan dari metode k-means.
3.3 Diagram Alur Penelitian
Diagram Alur penelitian dapat dilihat pada gambar1 :
Studi Literatur
Metode
Pengumpulan Data
Implementasi
Perancangan
Analisa Kebutuhan
Pengujian
Pengambilan
Kesimpulan dan
Saran
Start
End
Gambar 1: Prosedur Penelitian
Uji Akurasi
Perhitungan akurasi dari kinerja sistem merupakan langkah yang dilakukan untuk mengatahui seberapa besar
dan seberapa tepat kinerja dari sistem yang telah dibuat untuk pemrosesan clustering data sebanyak 1000 data pasien
Puskesmas Kajen. Pada pengujian akurasi ini hanya menggunakan data sebanyak 20% dari data training yang
jumlah totalnya ada 1000 data.
Dalam pengujian akurasi sistem ini hasil dari data yang sudah dikluster akan dicocokkan dengan data asli
yang didapatkan dari tempat penelitian, maka untuk menghitung presentase akurasinya dapat dimasukkan dalam
persamaan berikut ini :
Dari hasil pengujian sistem dan perhitungan akurasi sistem di atas, didapatkan akurasi sistem sebesar 62%
dengan menggunakan data 20% dari 1000 data training.
4.
HASIL PEMBAHASAN DAN IMPLEMENTASI PROGRAM
Tahapan awal yang dilakukan pada penelitian ini adalah persiapan data, yang diperoleh dari data Puskesmas
Kajen Kabupaten Pekalongan. Data yang diperoleh adalah data pasien yang berobat di Puskesmas Kajen dari 1000
data pasien yang sudah dikelompokkan menjadi 3 cluster.
4.1
4.1.1
Implementasi Program
Tampilan Menu Home
Halaman home yang terdapat pada sistem akan tampil sebagai halaman utama, halaman ini berisi
data tabel dari data pasien Puskesmas Kajen yang telah diinputkan oleh user, tabel data tersebut terdiri dari
beberapa atribut yaitu nama pasien, jenis kelamin, umur, jenis penyakit, lama mengidap dan alamat pasien.
Dari setiap record data pasien mempunyai aksi delete untuk menghapus data yang bilamana tidak diperlukan
dalam proses.
4.1.2
Tampilan Menu Input Data Pasien
Halaman input data pasien ini berupa halaman yang akan muncul apabila user memilih menu
input data yang berada dihalaman sistem, halaman ini digunakan untuk menginputkan data pasien yang
akan diclustering menggunakan metode k-means.
4.1.3
Tampilan Menu Data Penyakit
Halaman data penyakit ini merupakan halaman yang digunakan dalam menginputkan jenis
penyakit dan kode penyakit sebagai inisialisasinya, jenis dan kode penyakit tersebut kemudian akan
disimpan dalam database sistem. Jenis penyakit yang telah diinisialisasi akan otomatis keluar dalam
pilihan inputan pada saat menginputkan data pasien di halaman menu input pasien.
4.1.4
Tampilan Menu Clustering
Halaman ini merupakan halaman hasil pemrosesan data pasien yang sebelumnya telah diinputkan
dan disimpan dalam database. Proses yang dilakukan dalam pengklusteran data menggunakan metode
k-means yang cara perhitungannya sudah dilakukan pada point diatas. Pada halaman ini terdapat dua
konten yaitu konten jumlah cluster dan konten tabel hasil clustering. gambar di atas merupakan
halaman yang tampil pertama kali ketika user memilih menu proses clustering maka user akan diminta
untuk memasukkan jumlah centroid untuk memproses data nantinya, jumlah centroid juga merupakan
jumlah cluster yang akan dibuat dalam proses pengklusteran nantinya. Pada penilitian kali ini
menggunakan tiga cluster yang sesuai dengan daerah yang sudah dipilih terlebih dahulu, yaitu C1
adalah daerah Kajen, C2 adalah daerah Karanganyar dan C3 adalah daerah Bojong.
4.1.5
Tampilan Menu Kode Penyakit
Kode penyakit ini merupakan inisialisasi dari nama penyakit yang termasuk dalam atribut yang
diolah pada proses clustering sistem. Berikut ini tampilan menu kode penyakit dan tabel kode penyakit
yang diderita oleh pasien.
4.1.6
Tampilan Menu Kode Cluster
Pada gambar di atas dapat dilihat tabel inisialasasi kluster daerah, kecamatan Bojong di
inisialisasikan dengan C1, kecamatan Karanganyar di inisialisasikan dengan C2, kecamatan Kajen di
inisialisasikan dengan C3.
4.1.7
Hasil Clustering Data
Gambar diatas merupakan tabel sampel data hasil proses pengklusteran menggunakan metode
k-means dengan data sebanyak 1000 data pasien Puskesmas Kajen. Namun pada tabel hasil clustering
ini mempunyai kelemahan yaitu tidak bisa menampilkan atribut lain selain atribut yang diproses oleh
algoritma clustering.
Dari hasil pengujian sistem menggunakan data sebanyak 1000 data menghasilkan tiga cluster
yaitu cluster C1 (Kecamatan Bojong) pada daerah ini penyakit yang banyak diderita oleh pasien adalah
jenis penyakit Commond Cold, cluster C2 (Kecamatan Karanganyar) pada daerah ini penyakit yang
banyak diderita oleh pasien adalah penyakit Gangguan perkembangan dan erupsi gigi, dan pada cluster
C3 (Kecamatan Kajen) pada daerah ini penyakit yang banyak diderita oleh pasien adalah penyakit
Pneumonia.
5.
Kesimpulan Dan Saran
5.1
Kesimpulan
1.1 Kesimpulan
Berdasarkan hasil analisis implementasi dan pengujian pada sistem clustering, maka dapat disimpulkan
bahwa metode k-means berhasil dan dapat diterapkan untuk mengelompokkan penyakit yang berada pada
daerah tertentu di Kajen Kabupaten Pekalongan. Dari hasil pengujian sistem menggunakan data sebanyak 1000
data menghasilkan tiga cluster yaitu cluster C1 (Kecamatan Bojong) pada daerah ini penyakit yang banyak
diderita oleh pasien adalah jenis penyakit Commond Cold, cluster C2 (Kecamatan Karanganyar) pada daerah ini
penyakit yang banyak diderita oleh pasien adalah penyakit Gangguan perkembangan dan erupsi gigi, dan pada
cluster C3 (Kecamatan Kajen) pada daerah ini penyakit yang banyak diderita oleh pasien adalah penyakit
Pneumonia. Dan Hasil pengujian pada sistem pengelompokkan penyakit tersebut mempunyai akurasi 62%
dengan menggunakan data sebanyak 20% dari data training, hal ini menunjukkan bahwa metode k-means dapat
diterapkan dalam proses pengelompokkan data penyakit berdasarkan data dari Puskesmas Kajen Kabupaten
Pekalongan.
5.2
Saran
Berdasarkan hasil analisis implementasi dan pengujian pada sistem clustering, maka dapat
disimpulkan bahwa metode k-means berhasil dan dapat diterapkan untuk mengelompokkan penyakit yang
berada pada daerah tertentu di Kajen Kabupaten Pekalongan. Dari hasil pengujian sistem menggunakan data
sebanyak 1000 data menghasilkan tiga cluster yaitu cluster C1 (Kecamatan Bojong) pada daerah ini penyakit
yang banyak diderita oleh pasien adalah jenis penyakit Commond Cold, cluster C2 (Kecamatan Karanganyar)
pada daerah ini penyakit yang banyak diderita oleh pasien adalah penyakit Gangguan perkembangan dan
erupsi gigi, dan pada cluster C3 (Kecamatan Kajen) pada daerah ini penyakit yang banyak diderita oleh
pasien adalah penyakit Pneumonia. Dan Hasil pengujian pada sistem pengelompokkan penyakit tersebut
mempunyai akurasi 62% dengan menggunakan data sebanyak 20% dari data training, hal ini menunjukkan
bahwa metode k-means dapat diterapkan dalam proses pengelompokkan data penyakit berdasarkan data dari
Puskesmas Kajen Kabupaten Pekalongan.
6. DAFTAR PUSTAKA
[1] M. M. Putri dan K. Fithriasari, “Pengelompokan Kabupaten/Kota di Jawa Timur Berdasarkan Indikator
Kesehatan Masyarakat Menggunakan Metode Kohonen SOM dan K-Means,” Jurnal Sains dan Seni ITS, vol. 4,
no. 1, pp. D13 - D18, 2015.
[2] N. Atthina dan L. Iswari, “Klasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat kesehatan
Daerah denganMetode K-Means,” Seminar Nasional Aplikasi Teknologi Informasi (SNATI), Vol. %1 dari
%2ISSN 1907 - 5022, pp. B52 - B59, 2014.
[3] V. Handayani, A. dan A. P. kurniati, “Analisa Clustering Menggunakan Algoritma K-Modes,” Telkom
University, pp. 1-8, 2010.
[4] J. O. Ong, “Implementasi Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing President
University,” Jurnal Ilmiah Teknik Industri, vol. 12, no. 1, pp. 10 - 20, 2013.
[5] Y. Ardilla, H. Tjandrasa dan I. Arieshanti, “Deteksi Penyakit Epilepsi dengan Menggunakan Entropi Permutasi,
K-Means Clustering, dan Multilayer Perceptron,” Jurnal Teknik POMITS , vol. 3, no. 1, pp. A70 - A74, 2014.
[6] M. E. Putra, “Implementasi Algoritma K-Means Pada Pendeteksian Warna Untuk Membantu Penderita Buta
Warna,” Jurnal Ilmiah komputer dan Informatika (KOMPUTA), Vol. %1 dari %2ISSN 2089 - 9033, pp. 1-8,
2012.
[7] S. P. Tulus dan Hendry, “Supprot Vektor Machines Yang Didukung K-Means Clustering Dalam Klasifikasi
Dokumen,” Jurnal Teknologi Informasi-Aiti, vol. 11, no. 2, pp. 101-202, 2014.
[8] S. Agustina, D. Yhudo, H. Santoso, N. Marnasusanto, A. Tirtana dan F. Khusnu, “Clustering Kualitas Beras
Berdasarkan Ciri Fisik Menggunakan Metode K-Means,” Universitas Brawijaya Malang, Malang, 2012.
[9] F. E. Agustin, A. Fitria dan A. H. S, “Implementasi Algoritma K-Means Untuk Menentukan Kelompok
Pengayaan Materi Mata Pelajaran Ujian Nasional (Studi Kasus : SMP Negeri 101 Jakarta),” Jurnal Teknik
Informatika, vol. 8, no. 1, pp. 73 - 78, 2015.
[10] K. R. Prilianti dan H. Wijaya, “Aplikasi Text Mining Untuk Automasi Penentuan Tren Topik Skripsi Dengan
Metode K-Means Clustering,” Jurnal Cybermatika, vol. 2, no. 1, pp. 1-6, 2014.
[11] A. Yusuf dan T. Priambadha, “Supprot Vektor Machines Yang Didukung K-Means Clustering Dalam
Klasifikasi Dokumen,” JUTI, vol. 11, no. 1, pp. 13-16, 2013.
[12] N. A, S. B dan P. U, “Implementasi Naive Bayes Classifier Pada Program Bantu Penentuan Buku Referensi
Mata Kuliah,” Jurnal Informatika, vol. 3, no. 2, pp. 32-36, 2007.
[13] D. Septiari, “Implementasi Metode Naive Bayes Classifier Dalam Klasifikasi Kelayakan Calon Pendonor
Darah (Studi Kasus : PMI Kabupaten Demak),” Universitas Dian Nuswantoro, Semarang, 2016.
[14] Budiono, a. Fahmi dan Pujiono, “Penerapan Metode Association Rule Discovery Menggunakan Algoritma
Apriori Untuk Mengidentifikasi Pola Penyakit Radang Sendi,” Techno.COM, vol. 13, no. 2, pp. 115-124, 2014.
[15] Supardi, D. E. Ratnawati dan W. F. Mahmudy, “Pengenalan Pola Transaksi Sirkulasi Buku Pada Database
Perpustakaan Menggunakan Algoritma Generalized Sequential Pattern,” Jurnal Mahasiswa PTIIK Universitas
Brawijaya, vol. 4, no. 11, pp. 1-8, 2014.
[16] R. F. Jannah, “Rancang Bangun Sistem Hasil Produksi Dengan Memanfaatkan Metode Least Square
Regression Line (Studi Kasus : Toko Keeava Salad & Puding)”,” Universitas Jember, Jember, 2015.
[17] N. P. E. Merliana, Ernawati dan J. Santoso, “Analisis Penentuan Jumlah Cluster Terbaik Pada Metode K-Means
Clustering,” dalam Prosiding Seminar Nasional Multi Disiplin Ilmu dan Call For Papers Unisbank (SENDI_U),
Yogyakarta, 2014.
[18] Y. L. Prihartanto, “Sistem Informasi Manajemen Agenda Pada Badan Pelayanan Perijinan Terpadu Kabupaten
Karanganyar,” Indonesian Jurnal on Computer Science Speed(IJCSS), vol. 9, no. 3, pp. 1-6, 2102.