PENGELOMPOKKAN KASUS COVID-19 DI INDONESIA MENGGUNAKAN METODE DENSITY-BASED SPATIAL CLUSTERING Of APPLICATIOS WITH NOISE (DBSCAN)

SINYOR, IRNAWATI J, B2A017032 (2021) PENGELOMPOKKAN KASUS COVID-19 DI INDONESIA MENGGUNAKAN METODE DENSITY-BASED SPATIAL CLUSTERING Of APPLICATIOS WITH NOISE (DBSCAN). Sarjana / Sarjana Terapan (S1/D4) thesis, ["eprint_fieldopt_institution_Muhammadiyah University, Semarang" not defined].

Preview	Text 0. Cover.pdf Download (365kB) | Preview
Preview	Text 2. Lembar Pengesahan Pembimbing (SCAN).pdf Download (579kB) | Preview
Preview	Text 3. Lembar Pengesahan Skripsi (SCAN).pdf Download (602kB) | Preview
Preview	Text 6. ABSTRAK.pdf Download (592kB) | Preview
Preview	Text BAB I.pdf Download (657kB) | Preview
Preview	Text BAB II.pdf Download (859kB) | Preview
	Text BAB III.pdf Restricted to Repository staff only Download (759kB) | Request a copy
	Text BAB IV.pdf Restricted to Repository staff only Download (746kB) | Request a copy
Preview	Text BAB V.pdf Download (517kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (608kB) | Preview
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (630kB) | Request a copy
Preview	Text Manuscript Indonesia.pdf Download (1MB) | Preview

Abstract

Awal Maret Indonesia sudah masuk Corona Virus Disease 2019 (Covid-19),setiap hari kasus penyebaran Covid-19 di Indonesia terus meningkat. Sehingga pemerintah perlu menetapkan kebijakan yang lebih efektif untuk menangani kasus Covid-19 di Indonesia. Maka diperlukan solusi untuk mengetahui masalah tersebut adalah dengan membuat sistem yang dapat memberikan informasi mengenai pengelompokkan data penderita Covid-19 berada dalam cluster-cluster. Salah satu meteode pengelompokkan yaitu metode Density-Based Spatial Clustering Application With Noise (DBSCAN). DBSCAN adalah algoritma pengelompokan yang didasarkan pada kepadatan (density) data. Sehingga dapat diketahui provinsi mana yang jumlah penderitanya tinggi, sedang dan rendah. Kegunaan DBSCAN tidak perlu menentukan cluster sendiri karena dia mamapu menentukan sendiri jumlah cluster yang dihasilkan. DBSCAN memerlukan dua parameter sebagai patokan pengelompokan yaitu Epsilon (ɛ) yang merupakan radius (jarak maksimal) data anggota kelompok dari data inti, dan Minimal Points (MinPts) yang merupakan banyaknya minimal data kelompok dalam radius Epsilon (ɛ). Didapatkan hasil penelitian ini, dengan menggunakan Epsilon (ɛ) yang optimum yaitu 20.000 dan MinPts sebanyak 6, diperoleh jumlah cluster sebanyak 2 dan noise sebanyak 1. Kata Kunci : Data Mining, Clustering, Covid-19, DBSCAN.

Actions (login required)

View Item