Professional Documents
Culture Documents
ABSTRACT
Coronavirus disease (COVID-19) is a disease that was only discovered in 2019 and has been reported to have
spread to almost all over the world. This pandemic has caused anxiety and fear for all Indonesians because it can
be transmitted easily through humans. This study aims to cluster each province in Indonesia into certain clusters
so that they can find out the characteristics, movements, and government policies that must be carried out in each
cluster. This study uses secondary data regarding COVID-19 cases in Indonesia, which reached 4800 data from
March 1 to August 11, 2020, in 34 Indonesian provinces. The four variables used were the number of cases of
death, the number of cured cases, the number of active cases, and the number of deaths per one million population.
Cluster 1 has a high risk because it has the highest variable number of active cases and the number of deaths per
one million population. Cluster 2 has a low risk because it has a variable with the highest number of cured cases
and the lowest number of active cases. Cluster 3 has a moderate risk because it has the lowest number of cures
variable and the moderate number of active cases. The government policy in cluster 1 should prioritize the
variable number of active cases and the number of death cases per one million population, cluster 2 must prioritize
the variable number of deaths, and cluster 3 must prioritize the variable number of active cases.
ABSTRAK
Penyakit Coronavirus (COVID-19) adalah suatu penyakit yang baru ditemukan pada tahun 2019 dan dilaporkan
telah menular ke hampir di seluruh dunia. Pandemi ini telah menimbulkan keresahan dan ketakutan bagi seluruh
masyarakat Indonesia karena dapat menular secara mudah melalui manusia. Penelitian ini bertujuan untuk
mengelompokkan setiap provinsi di Indonesia ke dalam beberapa klaster tertentu sehingga dapat mengetahui
karakteristik, pergerakan, dan kebijakan pemerintah yang harus dilakukan pada masing-masing klaster. Penelitian
ini menggunakan data sekunder mengenai kasus COVID-19 di Indonesia yang mencapai 4800 data dari tanggal
1 Maret hingga 11 Agustus 2020 di 34 provinsi Indonesia. Empat variabel yang digunakan adalah jumlah kasus
kematian, jumlah kasus kesembuhan, jumlah kasus aktif, dan jumlah kasus kematian per satu juta penduduk.
Klaster 1 adalah klaster dengan risiko tinggi karena memiliki variabel jumlah kasus aktif dan jumlah kasus
kematian per satu juta penduduk yang tertinggi. Klaster 2 adalah klaster dengan risiko rendah karena memiliki
variabel dengan jumlah kasus kesembuhan tertinggi dan jumlah kasus aktif terendah. Klaster 3 adalah klaster
dengan risiko sedang karena memiliki variabel jumlah kesembuhan terendah dan jumlah kasus aktif sedang.
Kebijakan pemerintah pada klaster 1 hendaknya memprioritaskan variabel jumlah kasus aktif dan jumlah kasus
kematian per satu juta penduduk, klaster 2 harus memprioritaskan variabel jumlah kasus kematian, dan klaster 3
harus memprioritaskan variabel jumlah kasus aktif.
Kata Kunci: Penyakit coronavirus, Pandemi, Klasterisasi, Kebijakan pemerintah, Risiko tinggi
*
email: grembulan@bundamulia.ac.id
74 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
75 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
daun tanaman padi yang cacat dan sehat (Kumar, 2018) maupun pada pasar tradisional (Soetopo,
Negi dan Bhoi, 2017) dan jenis penyakit Tannady dan Nurprihatin, 2017).
menular (Rachma, Aden dan Rusdiana, 2019).
Penelitian sebelumnya juga membahas lokasi 2.2. Analisis Klaster
pusat distribusi (distribution center) Klasterisasi adalah suatu teknik statistik
(Nurprihatin, 2016) dengan mempertimbangkan multivariat yang dirancang untuk menyatakan
jumlah permintaan (Nurprihatin et al., 2017). K- pengelompokan observasi (Klimberg, Ratick
Means clustering juga dimanfaatkan untuk dan Smith, 2017). Klasterisasi termasuk teknik
mementukan lokasi pusat penyaluran gas alam data mining yang bertujuan mengelompokkan
(Nurprihatin et al., 2019). objek data ke dalam klaster yang berbeda
Penelitian ini bertujuan untuk sehingga objek data dalam satu klaster lebih
mengelompokkan setiap provinsi di Indonesia mirip dibandingkan objek data pada klaster yang
ke dalam beberapa klaster tertentu sehingga lain (Kumar dan Toshniwal, 2016). Klasterisasi
dapat mengetahui karakteristik, pergerakan, dan dapat digunakan untuk mengklasifikasikan
kebijakan pemerintah yang harus dilakukan daerah-daerah yang padat, menemukan pola-
pada masing-masing klaster. Variabel-variabel pola distribusi, dan menemukan keterkaitan
yang digunakan dalam K-Means clustering antara setiap data (Metisen dan Sari, 2015).
adalah jumlah kasus kematian, jumlah kasus Ada 2 metode dalam analisis klaster yaitu
kesembuhan, jumlah kasus aktif, dan jumlah metode hierarki dan non hierarki (Silvi, 2018).
kasus kematian per 1 juta penduduk. 1. Metode Hierarki
Metode ini mengelompokkan antara dua atau
2. TINJAUAN PUSTAKA lebih objek berdasarkan kesamaan yang
2.1. Data Mining paling dekat, kemudian dilanjutkan dengan
Data mining diartikan sebagai suatu objek lain yang memiliki kedekatan kedua
proses yang menggunakan teknik statistik, dan seterusnya sampai klaster membentuk
matematika, kecerdasan buatan, dan hierarki atau tingkatan yang jelas antar objek
pembelajaran mesin untuk melakukan ektraksi (Goreti, Novia dan Wahyuningsih, 2016).
dan identifikasi informasi bermanfaat dari 2. Metode Non Hierarki
berbagai database besar (Silitonga, 2016). Metode ini mengelompokkan data dengan
Tujuan utama data mining adalah melakukan menentukan jumlah klaster terlebih dahulu
pengolahan dengan cara memanfaatkan data (Goreti, Novia dan Wahyuningsih, 2016).
dalam basis data sehingga mendapatkan Kelebihan dari analisis klaster antara lain
informasi baru yang berguna (Nur, Zarlis dan sebagai berikut (Talakua, Leleury dan Taluta,
Nasution, 2017). Selain itu data mining juga 2017):
digunakan untuk membantu pengambilan 1. Mampu mengelompokkan data observasi
keputusan di masa yang akan datang karena yang relatif banyak dan dalam jumlah yang
mampu mencari suatu pola yang diinginkan besar. Data yang telah direduksi dengan
dalam suatu database besar (Pramesti, Furqon kelompok akan memudahkan dalam proses
dan Dewi, 2017). Data mining terdiri dari 2 analisis.
kategori yaitu descriptive mining dan predictive 2. Dapat digunakan pada skala data ordinal,
(Metisen dan Sari, 2015). Descriptive mining interval dan rasio.
digunakan untuk menemukan karakteristik
penting data dari suatu kumpulan data 2.3. K-Means Clustering
sedangkan predictive digunakan untuk K-Means clustering adalah suatu metode
menemukan pola data berdasarkan beberapa clustering non hierarki yang berfungsi untuk
variabel lain di masa yang akan datang (Metisen mengelompokkan satu atau lebih klaster
dan Sari, 2015). Beberapa teknik yang termasuk (Rahmayani, 2018). Proses clustering dilakukan
ke dalam data mining yaitu klasifikasi, estimasi, berdasarkan jarak terdekat ke titik pusat (Asroni
prediksi, dan klasterisasi (Supriyadi et al., dan Adrian, 2015; Poerwanto dan Fa’rifah,
2018). Penelitian sebelumnya menggunakan 2016). Tujuan dari metode ini adalah
teknik data mining yaitu market basket analysis mengelompokkan data dalam satu klaster
untuk merancang ulang tata letak baik pada berdasarkan kemiripan data yang paling
pasar modern (Wilujeng, Wu dan Nurprihatin, maksimal (Asroni dan Adrian, 2015). Proses
validasi K-means clustering dengan analysis of
76 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
variance (ANOVA), hasil signifikansi yang menunjukkan 4 variabel yang digunakan dalam
didapatkan harus memiliki nilai < 0,05 yang penelitian ini.
berarti bahwa terdapat perbedaan yang Tabel 1 menunjukkan bahwa 4 variabel
signifikan antara setiap klaster (Widaningrum et yang digunakan adalah jumlah kasus kematian,
al., 2017). Metode ini sangat populer dan paling jumlah kasus kesembuhan, jumlah kasus aktif,
banyak digunakan karena algoritmanya yang dan jumlah kasus kematian/juta penduduk.
sangat mudah untuk diimplementasikan dan Diagram alir penelitian adalah suatu diagram
diadaptasi (Silvi, 2018). Selain itu metode ini yang menunjukkan urutan proses yang harus
mampu melakukan pengelompokkan data dan dilakukan dalam penelitian ini. Gambar 1
data outlier dalam ukuran besar dengan sangat menunjukkan diagram alir penelitian.
cepat (Metisen dan Sari, 2015).
Proses algoritma dari K-Means clustering Tabel 1. Variabel Penelitian
adalah sebagai berikut (Ramadhan, Efendi dan Variabel Nama Variabel
Mustakim, 2017): X1 Jumlah Kasus Kematian
1. Memasukkan data yang akan di klaster. X2 Jumlah Kasus Kesembuhan
2. Menentukan jumlah klaster. X3 Jumlah Kasus Aktif
3. Mengambil sembarang data sebanyak jumlah X4 Jumlah Kasus Kematian/Juta
Penduduk
klaster secara acak untuk dijadikan pusat
klaster (centroid).
4. Menghitung jarak antara data dengan pusat Gambar 1 menunjukkan bahwa terdapat 8
klaster menggunakan persamaan (1). langkah yang dilakukan dalam penelitian ini
antara lain:
1. Mengumpulkan data jumlah kasus kematian,
2 2
𝑑𝑖𝑗 = √(𝑥1𝑖 − 𝑥1𝑗 ) + ⋯ + (𝑥𝑘𝑖 − 𝑥𝑘𝑗 ) (1) jumlah kasus kesembuhan, jumlah kasus
aktif, dan jumlah kasus kematian per/juta
dimana: penduduk di seluruh provinsi Indonesia.
D (i, j) = jarak data i ke pusat klaster j 2. Melakukan analisis statistika deskriptif untuk
𝑥𝑘𝑖 = data ke i pada atribut ke k mengetahui karakteristik dari data yang
𝑥𝑘𝑗 = titik pusat ke j pada atribut ke digunakan.
3. Menentukan jumlah klaster k =3
k
4. Melakukan pengelompokan menggunakan
5. Menghitung kembali pusat klaster dengan
K-Means clustering dengan software SPSS
anggota klaster yang baru.
26.
6. Jika pusat klaster tidak mengalami perubahan
5. Memerhatikan karakteristik dari ketiga
maka proses klaster dikatakan selesai, namun
klaster.
jika belum lakukan kembali langkah ke 4
6. Menentukan tingkat risiko setiap klaster.
sampai pusat klaster tidak mengalami
7. Melihat pergerakan klaster dari setiap
perubahan.
provinsi berisiko tinggi dari 1 Agustus 2020
hingga 11 agustus 2020.
3. METODOLOGI
8. Menentukan kebijakan setiap klaster.
Data yang digunakan dalam penelitian ini
adalah data sekunder mengenai kasus COVID-
4. HASIL DAN PEMBAHASAN
19 di Indonesia. Jumlah data yang digunakan
4.1. Analisis Statistik Deskriptif
mencapai 4800 data dari tanggal 1 Maret hingga
Analisis ini digunakan untuk
11 Agustus 2020 di 34 provinsi Indonesia
mendapatkan gambaran secara umum dan
(Kaggle, 2020). Variabel-variabel yang
mencari nilai z-score yang akan digunakan
digunakan dalam penelitian ini berdasarkan 15
dalam K-Means clustering. Analisis statistik
Indikator yang digunakan oleh pemerintah
deskriptif meliputi nilai minimum, maksimum,
Indonesia dalam penentuan zona setiap daerah
rata-rata, dan standar deviasi. Tabel 2
(Damarjati, 2020). Terdapat 4 variabel yang
menunjukkan hasil analisis statistik deskriptif.
sesuai antara data sekunder dan 15 indikator
dalam penentuan zona setiap daerah. Tabel 1
77 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
Pengumpulan Data
Memerhatikan Karakateristik Ketiga
-Jumlah Kasus Kematian
Klaster
-Jumlah Kasus Kesembuhan
-Jumlah Kasus Aktif
-Jumlah Kasus Kematian/Juta Penduduk Menentukan Tingkat Risiko Ketiga
Klaster
78 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
4.4. Pusat Klaster Akhir sedang terdapat pada klaster 3 karena memiliki
Pusat klaster akhir menunjukkan hasil jumlah kasus kesembuhan terendah dan jumlah
akhir dari proses clustering. Tabel 5 kasus aktif sedang, dan klaster dengan risiko
menunjukkan hasil dari pusat klaster akhir. terendah terdapat pada klaster 2 karena memiliki
Tabel 5 menunjukkan bahwa klaster 1 memiliki jumlah kasus kesembuhan tertinggi dan jumlah
nilai z-score tertinggi pada variabel jumlah kasus aktif terendah.
kasus aktif dan jumlah kasus kematian/juta
penduduk dan z-score sedang pada variabel 4.5. Keanggotaan Klaster
jumlah kasus kematian dan jumlah kasus Proses K-Means clustering dapat
kesembuhan. Klaster 2 memiliki nilai z-score mengetahui jumlah anggota setiap klaster. Tabel
tertinggi pada variabel jumlah kasus kematian 8 menunjukkan jumlah anggota setiap klaster.
dan jumlah kasus kesembuhan, z-score sedang
pada variabel jumlah kasus kematian/juta Tabel 8. Jumlah Anggota Setiap Klaster
penduduk, dan z-score terkecil pada variabel Klaster Anggota
jumlah kasus aktif. Klaster 3 memiliki nilai z- 1 339
score sedang pada variabel jumlah kasus aktif 2 90
dan z-score terkecil pada variabel jumlah kasus 3 4371
kematian, jumlah kasus kesembuhan, dan Valid 4800
Missing 0
jumlah kasus kematian/juta penduduk.
Setelah melihat karaktersitik dari ketiga
klaster maka klaster dengan risiko tertinggi Tabel 8 menunjukkan bahwa klaster 1
terdapat pada klaster 1 karena memiliki jumlah memiliki 339 anggota, klaster 2 memiliki 90
kasus aktif dan jumlah kasus kematian/juta anggota, dan klaster 3 memiliki 4371 anggota.
penduduk yang tinggi, klaster dengan risiko Data anggota ini diperoleh dari rentang waktu 3
79 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
Tabel 7. ANOVA
Cluster Error
F Sig.
Mean Square df Mean Square df
Zscore (Jumlah Kasus Kematian) 1181,639 2 0,508 4797 2327,162 0,000
Zscore (Jumlah Kasus Kesembuhan) 1695,889 2 0,293 4797 5781,024 0,000
Zscore (Jumlah Kasus Aktif) 718,475 2 0,701 4797 1025,127 0,000
Zscore (Jumlah Kasus Kematian/Juta 1271,746 2 0,470 4797 2704,740 0,000
Penduduk)
80 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
CLUSTER
3 3
CLUSTER
2 2
1 1
08-03-20
08-01-20
08-02-20
08-04-20
08-05-20
08-06-20
08-07-20
08-08-20
08-09-20
08-10-20
08-11-20
08-10-20
08-11-20
08-01-20
08-02-20
08-03-20
08-04-20
08-05-20
08-06-20
08-07-20
08-08-20
08-09-20
TANGGAL TANGGAL
CLUSTER
CLUSTER
2 2
1 1
08-01-20
08-02-20
08-03-20
08-04-20
08-05-20
08-06-20
08-07-20
08-08-20
08-09-20
08-10-20
08-11-20
08-03-20
08-08-20
08-01-20
08-02-20
08-04-20
08-05-20
08-06-20
08-07-20
08-09-20
08-10-20
08-11-20
TANGGAL TANGGAL
Gambar 2. Pergerakan Klaster Provinsi Berisiko Tinggi
81 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
82 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
83 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
84 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
85 | J I E M S
Versi Online: Journal of Industrial Engineering and Management Systems
http://journal.ubm.ac.id/index.php/jiems Vol. 13, No. 2, 74-86, 2020
DOI: 10.30813/jiems.v13i2.2280 ISSN 1979-1720
Hasil Penelitian E-ISSN 2579-8154
86 | J I E M S