289
Penerapan Algoritma K-means Pada Kasus HIV Di Jawa Barat Untuk Pengelompokan Berdasarkan Tingkat Penyebaran Di Setiap Kabupaten/Kota Menggunakan
RapidMiner
Application of K-Means Algorithm on HIV Cases in West Java for Clustering Based on The Level of Spread in Each District / City Using RapidMiner
Dica Parameswari Syifa Dewi1, Apriade Voutama2
1,2Sistem Informasi, Fakultas Ilmu Komputer, Universitas Singaperbangsa Karawang E-mail: 12010631250008@student.unsika.ac.id@, 2apriade.voutama@staff.unsika.ac.id
Abstrak
HIV (Human Immunodeficiency Virus) adalah virus yang menginfeksi dengan cara melemahkan sistem pertahanan tubuh terhadap penyakit. Meskipun tidak ada obat yang pasti untuk HIV, ada pengobatan yang dapat digunakan untuk mengurangi perkembangan penyakit ini. Clustering dalam k-means adalah proses pengelompokan data menjadi beberapa kelompok atau cluster berdasarkan jarak antara data dengan centroid atau pusat massa. Tujuan clustering adalah untuk mengumpulkan data dengan karakteristik serupa ke dalam satu wilayah yang sama. Tujuan dari penelitian ini adalah untuk mengelompokkan wilayah yang memiliki tingkat penyebaran penyakit HIV yang serupa, sehingga dapat membantu pemerintah dan masyarakat dalam melakukan tindakan pencegahan dan pengobatan yang tepat. Dalam penelitian ini, peneliti membagi data menjadi 3 cluster. Dari 27 kabupaten/kota yang ada di Jawa Barat, peneliti menemukan hasil bahwa, terdapat 13 kabupaten atau kota yang termasuk kedalam cluster tingakt tinggi (C1), terdapat 13 kabupaten atau kota yang termasuk kedalam cluster tingakt sedang (C2), dan terdapat 1 kota yang termasuk kedalam cluster tingakt rendah (C2).
Dari penelitian tersebut diharapkan dapat membantu dinas kesehatan Provinsi Jawa Barat, dalam melakukan pencegahan dan juga meningkatkan penanganan kasus HIV di wilayah tersebut.
Kata kunci: Clustering, Data Mining, K-means, HIV
Abstract
HIV (Human Immunodeficiency Virus) is a virus that infects by weakening the body's defense system against disease. While there is no definitive cure for HIV, there are treatments that can be used to reduce the progression of the disease. Clustering in k-means is the process of grouping data into groups or clusters based on the distance between the data and the centroid or center of mass. The purpose of clustering is to collect data with similar characteristics into the same region. The purpose of this study is to group areas that have similar levels of HIV disease spread, so that it can help the government and the community in taking appropriate prevention and treatment measures. In this study, researchers divided the data into 3 clusters. Of the 27 districts / cities in West Java, researchers found that, there are 13 districts or cities that are included in the high level cluster (C1), there are 13 districts or cities that are included in the medium level cluster (C2), and there is 1 city that is included in the low level cluster (C2). The research is expected to help the West Java Provincial Health Office, in preventing and also improving the handling of HIV cases in the region.
Keywords: Clustering, Data Mining, K-means, HIV
ISSN: 1978-1520
290
1. PENDAHULUAN
Semakin berkembangnya zaman, perilaku pergaulan bebas semakin marak di kalangan umum. Pergaulan bebas adalah perilaku sosial di mana individu melakukan hubungan seksual tanpa mempertimbangkan nilai moral dan norma yang telah berlaku dalam masyarakat luas.
Kejadian ini sering dihubungkan dengan gaya hidup yang liberal dan kebebasan individu dalam mengambil keputusan tentang seksualitasnya. Namun, pergaulan bebas juga memiliki dampak yang merugikan bagi individu dan masyarakat. Salah satunya adalah penyebaran penyakit infeksi yang dapat ditularkan secara seksual seperti HIV/AIDS dan gonore, dan juga dapat membahayakan kesehatan dan kehidupan individu. Selain itu, pergaulan bebas juga dapat meningkatkan risiko kehamilan di luar nikah dan aborsi yang ilegal, yang juga dapat menyebabkan kerusakan kesehatan dan psikologis.
Virus yang dikenal sebagai HIV (Human Immunodeficiency Virus) adalah virus yang menginfeksi dengan cara melemahkan sistem pertahanan tubuh terhadap penyakit. Meskipun tidak ada obat yang pasti untuk HIV, ada pengobatan yang dapat digunakan untuk mengurangi perkembangan penyakit ini [1].
Virus menyerang sistem kekebalan tubuh dengan merusak sel darah putih, terutama limfosit, yang mengakibatkan penurunan kekebalan tubuh pada penderita HIV. Ada beberapa orang yang dapat bertahan hidup tanpa gejala seperti penderita HIV, bahkan ada beberapa kasus di mana pengobatan tidak diperlukan. Faktor penularan HIV meliputi hubungan seksual yang memiliki risiko dan berbagi jarum suntik bekas dengan orang lain. Namun, HIV tidak dapat ditularkan melalui cairan yang berasal dari dalam tubuh seperti air liur ,air kencing dan sebagainya [2].
Pada tahun 1987, virus HIV ditemukan di Indonesia dan menyebar ke 368 kabupaten/kota di setiap provinsi. Menurut UNAIDS, sebanyak 690.000 orang di Indonesia terinfeksi virus HIV hingga tahun 2015. Setahun sebelumnya yaitu pada tahun 2014, UNAIDS mengeluarkan peringatan kepada Indonesia karena kurangnya perhatian terhadap pasien HIV sehingga meyebabkan angka HIV dan kematian yang disebabkan karena HIV semakin meningkat. Data Kementerian Kesehatan Republik Indonesia (Kemenkes RI) menunjukkan bahwa jumlah kasus HIV di Indonesia mengalami peningkatan setiap tahunnya dari tahun 2005 hingga 2018. Pada bulan Desember 2018, jumlah kasus HIV yang dilaporkan mencapai 327.282 kasus [3], [4].
Di Indonesia, khususnya di Jawa Barat, terjadi peningkatan setiap tahunnya dalam kasus HIV yang menjadi perhatian serius bagi kesehatan masyarakat. Salah satu faktor utama dalam penyebaran virus HIV adalah banyaknya seks bebas dan juga lambatnya penanganan yang dilakukan oleh pihak medis. Untuk mengatasi penyebaran penyakit ini yang disebabkan kurangnya informasi yang di dapat oleh pihak medis dalam melakukan penanganan, maka dari itu penelitian ini memiliki tujuan untuk mengelompokkan wilayah yang memiliki tingkat penyebaran penyakit HIV yang serupa guna membantu pemerintah dan masyarakat dalam melakukan tindakan pencegahan dan pengobatan yang tepat dan cepat.
Penggunaan data mining dalam mengelompokkan wilayah yang memiliki tingkat penyebaran penyakit HIV dapat menjadi salah satu metode yang efektif untuk mengidentifikasi pola dan karakteristik yang berkaitan dengan penyebaran penyakit HIV. Data mining merupakan sebuah bidang ilmu yang mempelajari metode-metode untuk menggali pengetahuan atau mengidentifikasi pola yang tersembunyi dari dataset yang besar [5]. Tujuan dari pengolahan data adalah untuk menemukan hubungan dan mereduksi data sehingga informasi yang bermanfaat dan dapat dipahami dapat diperoleh, dengan menggunakan teknik statistik dan matematika [6].
Didalam data mining, algoritma yang bernama k-means clustering dapat digunakan untuk mengelompokkan wilayah berdasarkan tingkat penyebaran penyakit HIV. Dengan menggunakan k-means clustering, data mengenai jumlah kasus HIV disetiap kabupaten dapat dikelompokkan menjadi kelompok-kelompok yang memiliki tingkat penyebaran yang serupa.
291
k-means adalah salah satu algoritma clustering yang paling umum digunakan dalam data mining dan machine learning. Tujuan dari k-means adalah untuk mengelompokkan data ke dalam beberapa kelompok (cluster) yang saling berbeda satu sama lain berdasarkan karakteristik atau fitur yang dimiliki oleh data tersebut [7].
Kata "K" dalam k-means merepresentasikan jumlah cluster yang akan dibentuk, kemudian nilai K akan ditetapkan secara acak. Sedangkan arti dari kata "Means" merupakan nilai sementara yang menjadi pusat dari setiap cluster atau yang juga disebut sebagai centroid.
Algoritma k-means mencoba untuk mengelompokkan data ke dalam beberapa kelompok dengan cara mencari pusat-pusat kelompok yang representatif, yang disebut centroid.
Setiap data akan dikelompokkan ke centroid terdekat dalam jarak Euclidean, sehingga semua data yang terdapat dalam satu kelompok memiliki karakteristik yang serupa dan berbeda dari data dalam kelompok lain [8], [9]. Algoritma k-means biasanya digunakan dalam analisis data untuk mengidentifikasi pola, segmentasi pasar, dan pengelompokan objek dalam pemrosesan gambar atau teks.
Salah satu perangkat lunak yang dapat digunakan untuk menerapkan algoritm k-means clustering dalam analisis data untuk mengelompokkan wilayah berdasarkan tingkat penyebaran penyakit HIV.RapidMiner adalah sebuah platform perangkat lunak yang digunakan untuk melakukan analisis data dan pembelajaran mesin (machine learning) [10]. RapidMiner menyediakan berbagai macam alat dan fitur untuk melakukan persiapan data, pemodelan, evaluasi, dan implementasi model yang akan digunakan untuk memproses data.
Pada penelitian sebelumnya yang dilakukan oleh [3], dalam jurnal ini membahas penerapan algoritma partitioning around medoids (PAM) pada kasus penyakit HIV di Indonesia.
Tujuan dari penelitian tersebut adalah untuk mengelompokkan provinsi-provinsi di Indonesia berdasarkan tingkat keparahan penyakit HIV dengan menggunakan metode PAM yang didasarkan pada indeks kinerja Davies Bouldin.
Penulis juga menunjukkan bahwa hasil pengelompokkan dapat membantu pemerintah dalam mengambil kebijakan dan merencanakan program-program untuk meningkatkan pengendalian dan penanganan penyakit HIV di Indonesia. Penulis berharap bahwa hasil penelitian ini dapat berperan dalam kontribusi untuk mengembangkan model-model baru lainnya untuk analisis data kesehatan masyarakat di Indonesia.
Penelitian selanjutnya yang dilakukan oleh [1], [11], [12], [13] berfokus pada penggunaan algoritma k-means untuk melakukan analisis klasterisasi terhadap penyebaran penyakit HIV/AIDS di Indonesia. Beberapa penulis menggunakan aplikasi rapidminer, sedangkan yang lain menggunakan bahasa pemrograman Python dan WEKA sebagai alat bantu dalam proses analisis. Berdasarkan hasil analisis, ditemukan bahwa terdapat beberapa cluster atau kelompok wilayah dengan tingkat penyebaran penyakit HIV/AIDS yang berbeda.
Kesimpulannya, penggunaan algoritma k-means dalam analisis klasterisasi dapat menjadi metode yang efektif dan efisien dalam mengelompokkan wilayah dengan karakteristik yang serupa dan dapat membantu dalam pengambilan keputusan yang lebih tepat dalam penanganan HIV/AIDS.
2. METODE PENELITIAN
Metode penelitian yang dilaksanakan oleh peneliti, melalui beberapa tahapan penelitian.
Tahapan penelitian adalah proses atau tata cara yang penulis lakukan agar mendapatkan hasil yang diinginkan. Informasi mengenai tahapan penelitian yang dilaksanakan dapat dilihat dalam gambar 1.
ISSN: 1978-1520
292
Gambar 1. Tahapan Penelitian
Tahapan pada penelitian ini, di jelaskan sebagai berikut:
1. Studi Literatur
Untuk tahapan yang pertama peneliti melakukan proses studi literatur, yaitu mencari, membaca dan memahami penelitian sebelum yang berkaitan dengan objek yang akan dibahas.
2. Pencarian dan Pengumpulan data
Setelah melakukan studi literatur, penulis melanjutkan dengan pencarian dan pengumpulan data yang selanjutnya akan diolah dalam penelitian ini.
3. Analisa data
Setelah data didapatkan, peneliti melakukan analisa data, manakah data yang lebih dapat untuk di proses dalam penelitian ini.
4. Mengolah data dengan k-means clustering
Proses selanjutnya yaitu pengolahan data menggunakan algoritman k-means clustering dengan menggunakan bantuan aplikasi RapidMiner.
293 5. Hasil
Proses yang terakhir adalah hasil. Hasil dari penelitian ini akan dibuat kesimpulan, yang nantinya akan menjadi knowledge.
3. HASIL DAN PEMBAHASAN
3.1 Pengumpulan Data
Dalam penelitian ini pengumpulan data diambil dari website https://opendata.jabarprov.go.id/id, website tersebut merupakan portal resmi data terbuka milik Pemdaprov Jawa Barat yang berisikan data-data dari perangkat daerah di lingkungan Pemdaprov Jawa Barat guna memenuhi kebutuhan masyarakat untuk akses data dan informasi yang akurat dan akuntabel dengan cepat. Pada website tersebut peneliti mengambil keterangan penderita HIV di Jawa Barat berdasarkan Kabupaten/Kota pada tahun 2018 – 2021. Berikut adalah data dari Penderita HIV di Jawa Barat sesuai Kabupaten/kota. Peneliti menampilkan hasil data, pada tabel dibawah ini.
Tabel 2. Data Kasus HIV di Jawa Barat
Nama Kabupaten/Kota Jumlah Kasus
2018 2019 2020 2021
Kab. Bogor 318 475 417 430
Kab. Sukabumi 112 112 110 117
Kab. Cianjur 124 0 189 111
Kab. Bandung 219 179 176 225
Kab. Garut 107 0 5 172
Kab. Tasikmalaya 40 77 95 68
Kab. Ciamis 66 95 62 58
Kab. Kuningan 78 91 48 113
Kab. Cirebon 278 257 251 232
Kab. Majalengka 92 97 87 123
Kab. Sumedang 61 104 100 120
Kab. Indramayu 407 151 275 113
Kab. Subang 230 339 247 222
Kab. Purwakarta 194 197 234 130
Kab. Karawang 92 255 315 244
Kab. Bekasi 203 222 134 239
Kab. Bandung Barat 71 36 67 67
Kab. Pangandaran 48 26 16 4
Kota Bogor 446 443 364 333
Kota Sukabumi 161 57 41 43
Kota Bandung 1054 357 82 43
Kota Cirebon 65 189 342 254
Kota Bekasi 360 335 322 390
Kota Depok 227 247 220 199
Kota Cimahi 104 44 361 342
Kota Tasikmalaya 121 105 130 99
Kota Banjar 7 47 68 40
Dari data pada tabel 1 diakumulasikan, kemudian dihitung nilai rata-rata, dari setiap kabupaten / kota, seperti yang ditunjukan pada tabel 2 yang ada dibawah ini.
ISSN: 1978-1520
294
Tabel 2. Data Rata-rata kasus HIV di Jawa Barat Nama Kabupaten/Kota Jumlah Kasus
Rata-rata 2018 2019 2020 2021
Kab. Bogor 318 475 417 430 410
Kab. Sukabumi 112 112 110 117 112,75
Kab. Cianjur 124 0 189 111 106
Kab. Bandung 219 179 176 225 199,75
Kab. Garut 107 0 5 172 71
Kab. Tasikmalaya 40 77 95 68 70
Kab. Ciamis 66 95 62 58 70,25
Kab. Kuningan 78 91 48 113 82,5
Kab. Cirebon 278 257 251 232 254,5
Kab. Majalengka 92 97 87 123 99,75
Kab. Sumedang 61 104 100 120 96,25
Kab. Indramayu 407 151 275 113 236,5
Kab. Subang 230 339 247 222 259,5
Kab. Purwakarta 194 197 234 130 188,75
Kab. Karawang 92 255 315 244 226,5
Kab. Bekasi 203 222 134 239 199,5
Kab. Bandung Barat 71 36 67 67 60,25
Kab. Pangandaran 48 26 16 4 23,5
Kota Bogor 446 443 364 333 396,5
Kota Sukabumi 161 57 41 43 75,5
Kota Bandung 1054 357 82 43 384
Kota Cirebon 65 189 342 254 212,5
Kota Bekasi 360 335 322 390 351,75
Kota Depok 227 247 220 199 223,25
Kota Cimahi 104 44 361 342 212,75
Kota Tasikmalaya 121 105 130 99 113,75
Kota Banjar 7 47 68 40 40,5
3.2 Menentukan Centrod Data Awal
Dalam penggunaan algoritma k-means dengan klusterisasi yang diinginkan adalah 3, akan dihasilkan nilai centroid atau titik pusat dari data. Nilai centroid ditetapkan sebagai berikut: nilai tertinggi (C1) untuk cluster tingkat tinggi, nilai rata-rata (C2) untuk cluster sedang, dan nilai terkecil (C3) untuk cluster rendah. Nilai centroid ini ditunjukkan dalam Tabel 3 di bawah ini.
Tabel 3. Centroid Data Awal Centroid
Max (C1) 410
Average (C2) 133,75
Min (C3) 23,5
3.3 Clustering Data
Pengelompokan data menggunakan metode clustering akan dilakukan dengan menggunakan nilai yang telah ditentukan pada centroid awal yang tertera pada Tabel 3. Proses ini akan menghasilkan pengelompokan pada iterasi pertama. Hasil tersebut dapat dilihat pada tabel 4 di bawah ini:
295
Tabel 4. Hasil Clustering Iterasi 1
Nama Kabupaten/ Kota C1 C2 C3
Kab. Bogor 1
Kab. Sukabumi 1
Kab. Cianjur 1
Kab. Bandung 1
Kab. Garut 1
Kab. Tasikmalaya 1
Kab. Ciamis 1
Kab. Kuningan 1
Kab. Cirebon 1
Kab. Majalengka 1
Kab. Sumedang 1
Kab. Indramayu 1
Kab. Subang 1
Kab. Purwakarta 1
Kab. Karawang 1
Kab. Bekasi 1
Kab. Bandung Barat 1
Kab. Pangandaran 1
Kota Bogor 1
Kota Sukabumi 1
Kota Bandung 1
Kota Cirebon 1
Kota Bekasi 1
Kota Depok 1
Kota Cimahi 1
Kota Tasikmalaya 1
Kota Banjar 1
Pada tabel diatas,didapatkan hasil untuk iterasi pertama, yaitu cluster tingkat tinggi (C1) hanya terdapat 1 kota yaitu Kota Bandung. Untuk Cluster tingkat sedang (C2) memiliki 13 Kabupaten atau kota yang masuk kedalam C2, yaitu Bogor, Bandung, Cirebon, Purwakarta, Karawang, Bekasi, Indramayu, Subang, Kota Bogor, Kota Cirebon, Kota Bekasi, Kota Depok, dan Kota Cimahi. Cluster tingkat rendah (C3) terdiri dari beberapa kabupaten dan juga kota yang ada di Jawa Barat yaitu Sukabumi, Ciamis, Kuningan, Majalengka, Sumedang, Bandung Barat, Pangandaran, Kota Sukabumi, Kota Tasikmalaya, Cianjur, Garut, tasikmalaya, dan Kota Banjar.
Proses k-means akan berulang secara iteratif hingga tercapai konvergensi, yaitu ketika hasil pengelompokan data pada iterasi terakhir sama dengan hasil pengelompokan data pada iterasi sebelumnya. Hal ini berarti bahwa proses akan terus melakukan iterasi sampai tidak ada perubahan dalam pengelompokan data antara iterasi yang berurutan. Tujuan dari iterasi ini adalah mencapai stabilitas dalam pengelompokan data sehingga hasilnya dapat dianggap konvergen dan tidak berubah lagi pada iterasi selanjutnya.
Pada iterasi pertama, data akan dikelompokkan berdasarkan jumlah kasus penyakit HIV setiap Kab/Kota di provinsi Jawa Barat. Proses iterasi ini akan berhenti pada iterasi berikutnya, ketika nilai titik tengah atau centroid telah ditemukan. Setelah centroid telah ditemukan, proses selanjutnya akan dilaksanakan dengan mencari jarak terdekat antara setiap data dengan centroid yang sesuai. Dalam langkah ini, setiap data akan dikelompokkan ke dalam kluster yang memiliki centroid terdekat dengannya. Proses ini akan diulang secara berulang hingga tidak ada perubahan dalam pengelompokan data pada iterasi yang berurutan, dan hasil akhir akan menjadi pengelompokan yang stabil dan optimal berdasarkan jarak terdekat dengan centroid.
ISSN: 1978-1520
296 3.4 Implementasi pada Aplikasi RapidMiner
Peneliti menggunakan metode k-means untuk mengelompokkan data berdasarkan pada atribut nama kabupaten, jumlah kasus dan tahun. Dalam metode k-means, atribut yang dipilih menjadi dasar untuk pengelompokan data. Atribut ini dapat berupa variabel numerik yang relevan dengan tujuan penelitian. Berdasarkan atribut tersebut, k-means akan membentuk kelompok (kluster) dengan menghitung jarak antara setiap data dan centroid yang mewakili kluster tersebut. Proses ini akan mengelompokkan data ke dalam kluster yang memiliki atribut serupa atau saling mendekati. Dengan menggunakan metode k-means, peneliti dapat mendapatkan pemahaman yang lebih baik tentang pola dan hubungan dalam data berdasarkan atribut yang dipilih, serta memfasilitasi analisis lebih lanjut terhadap setiap kluster yang terbentuk.
Dalam proses pengelompokan/clustering, aplikasi Rapidminer akan membantu untuk mempermudah proses tersebut. rapidminer menyediakan operator k-means yang telah dioptimalkan untuk melakukan pengelompokan dengan metode k-means. Operator ini menyediakan pengaturan parameter yang fleksibel, termasuk jumlah cluster (k), atribut yang digunakan, dan metode inisialisasi centroid.
rapidminer juga menyediakan berbagai operator preprocessing yang dapat membantu dalam mempersiapkan data sebelum proses k-means Clustering. Anda dapat menggunakan operator seperti Filter, Transform, atau Normalize untuk membersihkan, mengubah format, atau menormalkan data sebelum proses pengelompokan.
Rapidminer menyediakan alat visualisasi yang kuat untuk membantu Anda menganalisis dan memvisualisasikan hasil k-means Clustering. Anda dapat menggunakan operator Visualizations untuk memvisualisasikan cluster, menampilkan centroid, atau melihat hubungan antara atribut.
Untuk Langkah-langkah yang dilakukan peneliti dalam melakukan proses clustering dengan menggunakan aplikasi rapidminer seperti yang terdapat pada gambar 2
Gambar 2. Penerapan K-Means Dengan K=3
Gambar 2 adalah proses penggunaan algoritama k-means pada rapidminer, untuk langkah-langkah nya adalah:
1. Melakukan import data HIV di Jawa Barat, dengan menggunakan fitur import data yang terdapat pada aplikasi rapidminer tepatnya pada bagian repository.
2. Melakukan clustering data dengan menggunakan operators k-means dan juga membagi data tersebut menjadi 3 kluster
297
3. Langkah terakhir yaitu dengan menjalankan semua operator dan repository, dengan menggunakan menu run.
Setelah melakukan penerapan algoritma k-means, dan juga telah di running, maka didapatkan hasil pada gambar 3 yang tercantum dibawah ini.
Gambar 3. Hasil Data View Clustering Dengan K=3
Fitur data view dalam rapidminer, berguna untuk melihat secara keseluruhan isi data.
Pada gambar 3 terdapat hasil dari data yang kita olah, berupa data view. Pada data view di gambar 3 terlihat bahwa masing-masing kabupaten/kota telah terdapat keterangan atau informasi tambahan mengenai cluster dari setiap kabupaten/kota, yang mebuat kita lebih mudah dalam mengetahui masing-masing kabupaten termasuk kedalam cluster 1, 2, atau 3.
Gambar 4. Hasil Text View Clustering Dengan K=3
Pada gambar 4 terdapat hasil yang di presentasikan kedalam bentuk text view, atau jika dalam rapidminer terdapat pada kolom description yang terdapat pada result history. Text view membantu peneliti untuk mengetahui jumlah dari masing-masing anggota yang termasuk kedalam masing-masing cluster.
ISSN: 1978-1520
298
Gambar 5. Grafik RapidMiner Dengan k=3
Pada gambar 5 menjelaskan grafik kasus HIV yang ada di Jawa Barat selama 4 tahun terakhir atau jika di rapidminer terdapat pada fitur visualization. Pada gambar 5 menjelaskan bahwa kasus pada tahun 2018 di visualisasikan dengan warna biru, kasus tahun 2019 berwarna hijau, dan kasus pada tahun 2020 berwarna oren, dan yang terakhir kasus pada tahun 2021 berwarna hitam. Pada fitur viasualization memudahkan kita untuk melihat jumlah kasus yang ada di masing-masing kabupaten/kota dengan hanya melihat garis.
4. KESIMPULAN DAN SARAN
4.1 Kesimpulan
Setelah melakukan penelitian, penulis dapat menyimpulkan bahwa Data penderia HIV yang ada di Jawa Barat pada tahun 2018 – 2021 diolah dengan menggunkan tools rapidminer dengan di tentukan 3 kluster, yaitu cluster tingkat tinggi (C1), Cluster sedang (C2), dan juga Cluster tingkat rendah (C3). Dari 27 Kabupaten atau kota yang ada di Jawa Barat, terdapat 1 kota yang kedalam Cluster tingkat tinggi yaitu kota Bandung. Untuk Cluster tingkat sedang (C2) terdapat 13 Kabupaten atau kota yaitu yaitu Bogor, Bandung, Cirebon, Purwakarta, Karawang, Bekasi, Indramayu, Subang, Kota Bogor, Kota Cirebon, Kota Bekasi, Kota Depok, dan Kota Cimahi. Dan yang termasuk ke dalam cluster tingkat rendah (C3), Sukabumi, Ciamis, Kuningan, Majalengka, Sumedang, Bandung Barat, Pangandaran, Kota Sukabumi, Kota Tasikmalaya, Cianjur, Garut, tasikmalaya, dan Kota Banjar.
Setelah melalui proses clustering dengan menggunakan rapidminer, hasil akhir yang diperoleh adalah sebuah pengetahuan atau knowledge terkait daerah mana di Provinsi Jawa Barat yang memiliki jumlah penduduk terbanyak yang mengidap penyakit HIV selama kurun waktu 2018 – 2021.
Temuan dari penelitian dapat memberikan masukan bagi pemerintah, terutama bagi Kabupaten / Kota di provinsi Jawa Barat yang termasuk dalam cluster dengan tingkat kasus penderita HIV tertinggi, dalam merencanakan tindakan lanjut yang diperlukan.
299 4.2 Saran
Penelitian yang telah dilakukan masih memiliki sejumlah kekurangan yang perlu diperhatikan. Meskipun telah menghasilkan temuan yang berharga, ada aspek-aspek tertentu yang membatasi interpretasi yang lebih luas. Keterbatasan waktu, sumber daya, dan metode mungkin telah mempengaruhi kedalaman analisis dan keseluruhan validitas temuan. Meskipun demikian, pengakuan terhadap keterbatasan ini memberikan peluang bagi peningkatan di masa depan. Dengan menyadari kelemahan-kelemahan ini, langkah-langkah perbaikan dapat diambil, seperti eksplorasi metode alternatif atau pengumpulan data yang lebih baik. Kesadaran akan keterbatasan ini juga akan memberi panduan berharga bagi penelitian selanjutnya dalam cakupan ini.
UCAPAN TERIMA KASIH
Saya ingin mengucapkan terima kasih kepada semua orang yang telah membantu saya dalam menyelesaikan penelitian ini. Saya juga ingin mengucapkan terima kasih kepada dosen pengampu mata kuliah artificial intelligent yang telah memberikan bimbingan dan arahan yang sangat berharga untuk menyelesaikan penelitian ini. Saya juga ingin mengucapkan terima kasih kepada semua orang yang telah memberikan bantuan kepada saya, baik secara langsung maupun tidak langsung. Semua kontribusi dan dukungan yang diberikan sangat berarti bagi kelancaran penelitian ini.
DAFTAR PUSTAKA
[1] H. Noor, A. Dharmawati, and T. W. Qur’ana, “Penerapan Algoritma K-means Clustering Analysis pada Kasus Penderita Hiv/Aids (Studi Kasus Kabupaten Banjar),”
Technol. J. Ilm., Vol. 12, No. 2, p. 72, 2021, doi: 10.31602/tji.v12i2.4573.
[2] D. Rohmatullailah and D. Fikriyah, “Faktor Risiko Kejadian HIV pada Kelompok Usia Produktif di Indonesia,” J. Biostat. Kependudukan, dan Inform. Kesehat., Vol. 2, No. 1, p. 45, 2021, doi: 10.51181/bikfokes.v2i1.4652.
[3] N. R. Aeni et al., “Algoritma Partitioning Around Medoids Dalam Mengelompokan Provinsi di Indonesia Berdasarkan Indeks Kinerja Davies Bouldin pada Kasus Penyakit HIV,” pp. 1–9, 2018.
[4] D. Meidayanti and Suratini, “Hubungan Stigma Orang Dengan HIV/AIDS (Odha) Dengan Kendala Dalam Mengakses Pelayanan Kesehatan di Indonesia: Literature Review,” pp. 1–14, 2021.
[5] N. Wiliani, A. Martoyo, A. Tiarma Sipahunter, A. Prabowo, E. Manda Pramaswari, and N. Maharani Suparta, “Penerapan RapidMiner Dengan K-means pada Clustering Daerah Terjangkit AIDS,” J. Informatics Adv. Comput., Vol. 2, No. 2, pp. 1–5, 2021.
[6] Normah, B. Rifai, S. Vambudi, and R. Maulana, “Analisa Sentimen Perkembangan Vtuber Dengan Metode Support Vector Machine Berbasis SMOTE,” J. Tek. Komput.
AMIK BSI, Vol. 8, No. 2, pp. 174–180, 2022, doi: 10.31294/jtk.v4i2.
[7] A. P. Riani, A. Voutama, and T. Ridwan, “Penerapan K-means Clustering Dalam Pengelompokan Hasil Belajar Peserta Didik Dengan Metode Elbow,” J-SISKO TECH (Jurnal Teknol. Sist. Inf. dan Sist. Komput. TGD), Vol. 6, No. 1, p. 164, 2023, doi:
ISSN: 1978-1520
300 10.53513/jsk.v6i1.7351.
[8] B. Nurseptia, A. Voutama, N. Haeryana, and J. HSRonggo Waluyo, “Penerapan Algoritma K-means Untuk Mengelompokkan Kabupaten/Kota Dalam Upaya Pemetaan Lapangan Pekerjaan Baru,” J. Teknol. Informasi), Vol. 6, No. 2, pp. 181–186, 2022.
[9] A. Purwanto, A. Primajaya, and A. Voutama, “Penerapan Algoritma C4.5 Dalam Prediksi Potensi Tingkat Kasus Pneumonia di Kabupaten Karawang,” J. Sist. dan Teknol. Inf., Vol. 8, No. 4, p. 390, 2020, doi: 10.26418/justin.v8i4.41959.
[10] M. R. Nahjan, N. Heryana, and A. Voutama, “Implementasi RapidMiner Dengan Metode Clustering K-means Untuk Analisa Penjualan pada Toko Oj Cell,” J. Mhs. Tek.
Inform., Vol. 7, No. 1, pp. 1–4, 2023.
[11] A. A. Lesmana et al., “Implementasi Algoritma K-means Untuk Clustering Penyakit Hiv / Aids di Indonesia Implementation of K-means Algorithm for Clustering of Hiv / Aids Disease in Indonesia,” e-Proceeding Eng., Vol. 6, No. 2, pp. 5564–5580, 2019.
[12] A. W. P., R. A. Susanto, A. R. Putra, F. I. Kurniadi, and B. Juarto, “Klasifikasi HIV AIDS Dengan Aplikasi Rapid Miner,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), Vol. 6, No. 1, pp. 15–19, 2022, doi: 10.47970/siskom-kb.v6i1.320.
[13] T. P. Sari, A. L. Hananto, E. Novalia, T. Tukino, and S. S. Hilabi, “Implementasi Algoritma K-means Dalam Analisis Klasterisasi Penyebaran Penyakit Hiv/Aids,”
Infotek J. Inform. dan Teknol., Vol. 6, No. 1, pp. 104–114, 2023, doi:
10.29408/jit.v6i1.7423.
