SITUSTIKA FIKUNMA Vol. XX, No. X, 20XX, XX- XX
Analisis Pengelompokan Tekanan Darah Menggunakan Algoritma K-Means Manual
Taufik Hidayat
Fakultas Teknologi Informatika Universitas Matha’ul Anwar Banten Email: [email protected]
Abstrak. Dalam data mining, pendekatan K-Means Clustering adalah metode yang digunakan untuk mengelompokkan data menjadi kumpulan data.[1]
Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Means secara manual dilakukan untuk mengelompokkan pasien berdasarkan tingkat tekanan darah. Langkah ini dicapai dengan menghitung manual K-Means melalui beberapa iterasi hingga diperoleh pusat cluster yang stabil. Hasil ini mengelompokkan dataset menjadi tiga cluster, di antaranya: tekanan darah tinggi, tekanan darah normal, dan tekanan darah rendah.
Kata kunci: k-means clustering; manual calculation; tekanan darah; pengelompokan;
centroid
1 Pendahuluan
Pengelompokan data (clustering) merupakan teknik penting dalam data mining yang bertujuan untuk mengelompokkan data ke dalam beberapa kelompok yang memiliki karakteristik serupa. Salah satu algoritma yang sering digunakan dalam proses pengelompokan adalah algoritma K-Means.
"Algoritma K-Means pertama kali diperkenalkan oleh Stuart Lloyd pada tahun 1984."[2] "Prinsip kerja algoritma ini adalah membagi data ke dalam k partisi yang masing-masing diwakili oleh sebuah pusat (centroid)."[3] "Data yang terdekat dengan centroid akan membentuk sebuah klaster."[3] "Algoritma K- Means termasuk dalam metode unsupervised learning karena tidak memerlukan label data." [3] Dalam pengelompokan dengan K-Means, setiap data akan dihitung jaraknya ke pusat cluster dan akan ditempatkan pada cluster yang memiliki jarak terdekat.
Metode K-Means banyak digunakan dalam berbagai bidang, seperti pengelompokan pelanggan, segmentasi pasar, pengolahan citra, hingga pengelompokan data medis. Salah satu manfaat penting dari metode ini adalah kemampuannya dalam menemukan pola tersembunyi pada data yang belum
Diterima ________, Direvisi _________, Diterima untuk publikasi __________
2 Nama Penulis
terkelompok. "Kelebihan algoritma ini adalah sederhana dan mudah diimplementasikan, sedangkan kelemahannya sensitif terhadap pemilihan titik centroid awal." [4]
Pada penelitian ini, data tekanan darah sistolik dan diastolik pasien dikelompokkan dengan algoritma hasil K-Means secara manual. Penelitian ini dilakukan untuk melihat bagaimana proses perhitungan manual K-Means yang berjalan dan membentuk cluster yang stabil memisahan berdasarkan tekanan darah yang mereka miliki. Dari pengelompokan tersebut diharapkan dapat memberikan sebuah gambaran sederhana bagaimana penerapan K-Means secara manual diterapkan pada klasifikasi data medis.
2 Metode Penelitian
Penelitian ini menggunakan metode studi pustaka dan simulasi untuk menguji implementasi algoritma K-Means Clustering.
2.1 Formulasi Matematika
1) Menyiapkan dataset yang akan dikelompokan.
2) Menentukan jumlah klaster (K).
3) Memilih titik sejumlah klaster (K) secara acak sebagai nilai pusat klaster (centroid) awal.
4) Memilih titik sejumlah klaster (K) secara acak sebagai nilai pusat klaster (centroid) awal.
5)
2.1.1 Sub-bab
Penomoran sub-bab ditulis maksimal sampai tiga tingkat (level), misal 1.1.1.
Jika terdapat level yang lebih dalam silakan gunakan numbering dengan dot style.
Contoh 1 penulisan menggunakan dot style.
Contoh 2 penulisan menggunakan dot style.
2.1.2 Gambar dan Tabel
Semua gambar dan tabel dibuat rata tengah dan penomoran secara berurutan.
Grafik berupa garis atau bar chart 2 dimensi atau 3 dimensi harus dibedakan
Judul Paper (11 pt, Century Gothic, max. 50 character) 3
dengan jelas, dengan adanya perbedaan warna dan pola sebagaimana diperlihatkan pada Gambar 1.
Gambar 1. Nama gambar ditulis dengan jenis Times New Roman ukuran huruf 10 pt.
Caption ditulis Capitalize Each Word. Pilih rata tengah jika caption hanya satu baris Silakan dicek semua gambar di dalam makalah Anda, baik pada tampilan maupun pada hardcopy hitam-putih. Pastikan bahwa:
warna-warna yang digunakan, dapat dibedakan dengan jelas,
gambar yang digunakan jernih.
Nama table diletakan diatas tabel yang bersangkutan. Nama tabel ditulis dengan jenis Times New Roman ukuran huruf 10 pt. Sedangkan isi table ditulis dengan jenis Times New Roman ukuran huruf 9 pt
Tabel 1. Fungsi Objek 3D dalam Aktivitas Pembelajaran
No Objek 3D VLE Fungsi / Aktivitas
1 Reg-enroll booth Administrasi
2 Presenter (Video/Slide) atau objek 3D lain Konten Pembelajaran 3 Quiz chair
Papan skor Penilaian
4 Chat
Daftar pertemanan Interaksi
4 Nama Penulis
3 Hasil dan pembahasan
Jumlah halaman maksimum artikel adalah 12 halaman termasuk semua gambar, tabel, daftar istilah, referensi, dan sebagainya.
4 Kesimpulan
Semua item referensi menggunakan style IEEE. Nomor item referensi ditulis dalam bentuk square brackets (contoh. [1]). Referensi ditulis menggunakan jenis huruf Times New Roman dengan ukuran 10 pt.
Saat merujuk pada item referensi, gunakan nomor referensi, sebagaimana dalam [2]. Jangan gunakan “Ref. [3]” atau “Referensi [3]” kecuali pada awal kalimat, sebagai contoh “Referensi [3] menunjukkan …”. Jika menggunakan multi referensi, tiap-tiap nomor dipisahkan dengan bracket (sebagai contoh [2], [3], [4]–[6]).
5 Daftar Pustaka
[1] E. A. Saputra and Y. Nataliani, “Analisis Pengelompokan Data Nilai Siswa untuk Menentukan Siswa Berprestasi Menggunakan Metode Clustering K-Means,” J. Inf. Syst. Informatics, vol. 3, no. 3, pp. 424–
439, 2021, doi: 10.51519/journalisi.v3i3.164.
[2] A. K. Jain, “Data Clustering: 50 Years Beyond K-Means,” Pattern Recognition Letters, vol. 31, no. 8.
[3] dan J. P. J. Han, M. Kamber, “Data Mining: Concepts and Techniques,”
Morgan Kaufmann, San Francisco.
[4] T. K. et Al., “An Efficient k-Means Clustering Algorithm: Analysis and Implementation,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 7.
