Pemetaan Kota/Kabupaten Endemis Demam Berdarah Dengue Dengan Analisis Data Science Menggunakan Algoritma Clustering

Mega Bagus Herlambang, Linda Theresia, Salahuddin Salahuddin

Abstract


Terdapat 102 nilai indeks entomologi daerah yang terdiri dari beberapa kota dan kabupaten di seluruh Indonesia. Dari 102 daerah tersebut perlu dilakukan pemetaan daerah menjadi beberapa kelompok (cluster). Data science sebagai keilmuan yang mengkaji pengolahan dan analisis data sangat cocok dalam melakukan pemetaan daerah dengan menggunakan algoritma clustering. Pada penelitian ini digunakan dua algoritma yaitu K-Means clustering dan hierarchical clustering. Dari hasil clustering didapatkan jumlah cluster yang terbaik adalah 3 kelompok cluster. Dasar penentuan dan evaluasi cluster dilakukan dengan melihat skor silhouette dan dendogram. Hasil cluster menunjukkan terdapat 8 daerah yang masuk ke dalam kelompok yang memang angka persebaran jentik nyamuknya masih tinggi. Dengan demikian, maka diharapkan pemerintah dapat membuat skala prioritas pemberantasan jentik nyamuk demam berdarah pada delapan daerah yang masuk ke dalam cluster tersebut.

Keywords


Indeks entomologi; Demam berdarah; Klastering; K-means; Dendogram

References


Sehatnegeriku.(2022). ttps://sehatnegeriku.kemkes.go.id/baca/umum/ 20220615/0240172/kasus-dbd-meningkat-kemenkes-galakkan-gerakan-1-rumah-1-jumantik-g1r1j/

DING J, LI A X, HU Z Q, et al. Accurate pulmonary nodule detection in computed tomography images using deep convolutional neural networks [C] //Proceedings of the 2017 International Conference on Medical Computing and Computer-Assisted Intervention. Berlin: Springer, 2017: 559-567

KAMNITSAS, K, LEDIG C, NEWCOMBE V F, et al. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation [J]. Medical Image Analysis, 2016, 36: 61-78.

Conway, D. (2013). http://drewconway.com/zia/2013/3/26/the-data-science-venn-diagram

Tom M. Mitchell, Machine Learning, McGraw Hill, 1997

Herlambang, M. B. (2022). Data Science A-Z Tanpa Coding. [7] Larose, D. T., Larose, C. D. (2015). Data Mining and Predictive Analytics. Wiley Publication.

Barbu M, Radoi A, Suciu G. Landslide monitoring using convolutional autoencoders. Proceedings of 12th International Conference on Electrical Computers Artif Intelligence, ECAI 2020. Vol. 826452; 2020. p. 1–6

Keyport RN, Oommen T, Martha TR, Sajinkumar KS, Gierke JS. A comparative analysis of pixel- and object-based detection of landslides from very high-resolution images. Int J Appl Earth Obs Geoinf.018;64(February):1–11

Tran CJ, Mora OE, Fayne JV, Gabriela Lenzano M. Unsupervised classification for landslide detection from airborne laser scanning. Geosci (Switz). 2019;9(5):221.

Tehrani FS, Santinelli G, Herrera Herrera M. Multi-regional landslide detection using combined unsupervised and supervised machine learning. Geomatics Nat Hazards Risk. 2021;12(1):1015–38. doi: 10.1080/ 19475705.2021.1912196.

Gorsevski PV, Jankowski P, Gessler PE. Spatial prediction of landslide hazard using fuzzy k-means and Dempster-Shafer theory. Trans GIS. 2005;9(4):455–74.

Sraphet, S.; Javadi, B. Application of Hierarchical Clustering to Analyze Solvent-Accessible Surface Area Patterns in Amycolatopsis lipases. Biology 2022, 11, 652. https:// doi.org/10.3390/biology11050652.

O. Marbán, G. Mariscal and J. Segovia, Data Mining and Knowledge Discovery in Real Life Applications, 2009.

David Westgarth, Coronavirus pandemic: A time for reflection, BDJ In Practice 33 , 4–4, 4 May 2020.

T. Tanaka; T. M. Mitchell, Embedding learning in a general framebased architecture, IEEE International Workshop on Tools for Artificial Intelligence, Year: 1989 Pages: 77 - 84.




DOI: http://dx.doi.org/10.30811/jim.v8i1.3938

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Linda Theresia