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].

[img]
Preview
Text
0. Cover.pdf

Download (365kB) | Preview
[img]
Preview
Text
2. Lembar Pengesahan Pembimbing (SCAN).pdf

Download (579kB) | Preview
[img]
Preview
Text
3. Lembar Pengesahan Skripsi (SCAN).pdf

Download (602kB) | Preview
[img]
Preview
Text
6. ABSTRAK.pdf

Download (592kB) | Preview
[img]
Preview
Text
BAB I.pdf

Download (657kB) | Preview
[img]
Preview
Text
BAB II.pdf

Download (859kB) | Preview
[img] Text
BAB III.pdf
Restricted to Repository staff only

Download (759kB) | Request a copy
[img] Text
BAB IV.pdf
Restricted to Repository staff only

Download (746kB) | Request a copy
[img]
Preview
Text
BAB V.pdf

Download (517kB) | Preview
[img]
Preview
Text
DAFTAR PUSTAKA.pdf

Download (608kB) | Preview
[img] Text
LAMPIRAN.pdf
Restricted to Repository staff only

Download (630kB) | Request a copy
[img]
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.

Item Type: Thesis (Sarjana / Sarjana Terapan (S1/D4) )
Call Number: 006/Statistika/VI/2021
Subjects: L Education > Statistics
Divisions: Faculty of Agricultural Science and Technology > S1 Statistics
Depositing User: perpus unimus
Date Deposited: 17 Sep 2021 03:57
Last Modified: 17 Sep 2021 03:57
URI: http://repository.unimus.ac.id/id/eprint/4812

Actions (login required)

View Item View Item