Perbandingan Euclidean dan Manhattan Untuk Optimasi Cluster Menggunakan Davies Bouldin Index: Status Covid-19 Wilayah Riau

Wen Gie, Deny Jollyta

Abstract


Optimasi jumlah cluster diperlukan untuk memastikan kebijakan yang dapat diambil terkait hasil pengelompokkan, termasuk memastikan kelompok wilayah dengan status ODP, PDP dan Positif Covid-19 di provinsi Riau. Pengelompokkan berdasarkan status pasien perlu dilakukan untuk menentukan tindakan pencegahan yang mungkin dapat diambil pemerintah. Davies Bouldin Index (DBI) merupakan teknik evaluasi cluster yang dapat digunakan pada algoritma clustering dengan pengukuran jarak Euclidean dan Manhattan. Penelitian ini dimaksudkan untuk mengetahui kinerja terbaik DBI pada kedua pengukuran jarak tersebut melalui pengujian data sebaran Covid-19 wilayah Riau. Hasil penelitian menunjukkan bahwa DBI terendah terdapat pada k=8 untuk Euclidean dan k=7 untuk Manhattan dengan nilai masing-masing sebesar 0,394 dan 0,434. Selain itu, DBI bekerja lebih baik pada Euclidean dibandingkan Manhattan karena memiliki nilai DBI lebih rendah pada semua k uji

Full Text:

PDF

References


Widiarina, “Algoritma Cluster Dinamik Untuk Optimasi Cluster Pada Algoritma K-Means Dalam Pemetaan Nasabah Potensial,” J. Intell. Syst., vol. 1, no. 1, pp. 33–36, 2015.

R. Hablum, A. Khairan, and R. Rosihan, “Clustering Hasil Tangkap Ikan Di Pelabuhan Perikanan Nusantara (Ppn) Ternate Menggunakan Algoritma K-Means,” JIKO (Jurnal Inform. dan Komputer), vol. 2, no. 1, pp. 26–33, 2019, doi: 10.33387/jiko.v2i1.1053.

D. Jollyta, S. Efendi, M. Zarlis, and H. Mawengkang, “Optimasi Cluster Pada Data Stunting: Teknik Evaluasi Cluster Sum of Square Error dan Davies Bouldin Index,” in Prosiding Seminar Nasional Riset Information Science (SENARIS), 2019, vol. 1, no. September, pp. 918–926, doi: 10.30645/senaris.v1i0.100.

M. Toumi, A. Maizate, M. Ouzzif, and M. S. Salah, “Dynamic clustering algorithm for tracking target with high and variable celerity (ATHVC),” J. Comput. Networks Commun., vol. 2016, pp. 1–10, 2016, doi: 10.1109/MASCOTS.2016.10.

F. Irhamni, F. Damayanti, B. Khusnul, and A. Mifftachul, “Optimalisasi pengelompokan kecamatan berdasarkan indikator pendidikan menggunakan metode clustering dan davies bouldin index,” in Seminar Nasional dan Teknologi UMJ, 2014, no. 11, pp. 1–6.

M. N. V. Waworuntu and M. F. Amin, “Penerapan Metode K-Means Untuk Pemetaan Calon Penerima Jamkesda,” Klik - Kumpul. J. Ilmu Komput., vol. 5, no. 2, pp. 190–200, 2018, doi: 10.20527/klik.v5i2.157.

S. K. Sharma and S. Kumar, “Comparative Analysis of Manhattan and Euclidean Distance Metrics Using A * Algorithm,” J. Res. Eng. Appl. Sci., vol. 1, no. 4, pp. 196–198, 2016.

T. Strauss and M. J. Von Maltitz, “Generalising ward’s method for use with manhattan distances,” PLoS One, vol. 12, no. 1, pp. 1–21, 2017, doi: 10.1371/journal.pone.0168288.

Sugiyamta, “Sistem Deteksi Kemiripan Dokumen Dengan Algoritma Cosine Similarity dan Single Pass Clustering,” Din. Inform., vol. 7, no. 2, pp. 85–91, 2015.

P. Fränti, “Introduction,” in Cluster Validation, 2017, p. 110.

K. M. Cubukcu and T. Hatcha, “Are Euclidean Distance and Network Distance Related ?,” in 7th Asia-Pacific International Conference on Environment-Behaviour Studies, 2016, vol. 1, no. 4, pp. 219–227, doi: 10.21834/e-bpj.v1i4.137.

D. Sinwar and R. Kaushik, “Study of Euclidean and Manhattan Distance Metrics using Simple K-Means Clustering,” Int. J. Res. Appl. Sci. Eng. Technol., vol. 2, no. V, pp. 270–274, 2014.




DOI: http://dx.doi.org/10.30645/senaris.v2i0.160

Refbacks

  • There are currently no refbacks.


&nbsp