Penerapan Metode K-Medoids dengan jarak manhattan untuk Pengelompokan Wilayah Berdasarkan Faktor Risiko DBD di Jawa Barat
DOI:
https://doi.org/10.29313/bcss.v6i2.24674Keywords:
Demam Berdarah Dengue, K-Medoids, Manhattan Distance, Silhouette Coefficient, ClusteringAbstract
Abstract. In 2024, dengue hemorrhagic fever (DHF) cases in West Java Province reached more than 50,000, the highest number in Indonesia. This high figure is influenced by several factors, namely the number of DHF cases, population size, population density, and rainfall, whose characteristics differ across regions so that DHF risk is not evenly distributed across regencies/cities. This research applies the K-Medoids method with Manhattan Distance to group 27 regencies/cities in West Java based on their DHF risk factors, using 2024 secondary data from the West Java Health Profile and the West Java Statistics Agency (BPS). The analysis stages consist of descriptive analysis, outlier detection using the Interquartile Range (IQR), a multicollinearity test using the Variance Inflation Factor (VIF), determination of the optimal number of clusters using the Silhouette Coefficient, and clustering using the K-Medoids algorithm. The results show that the optimal number of clusters is k = 2, with a Silhouette Coefficient of 0.4216. The iteration process converged at the second iteration, with Kuningan and Sukabumi Regencies selected as the final medoids. Cluster 1 (High Risk) consists of 18 regencies/cities with an average of 2,809.56 DHF cases and an average population density of 4,633.06 people/km2, while Cluster 2 (Low Risk) consists of 9 regencies/cities with an average of 1,205.67 DHF cases and an average density of 2,466.67 people/km2. These results indicate that regions with higher population size and density tend to have greater DHF risk, while rainfall shows no consistent relationship with DHF risk in West Java.
Abstrak. Demam berdarah dengue (DBD) merupakan salah satu penyakit menular yang masih menjadi permasalahan kesehatan masyarakat di Indonesia, khususnya di Provinsi Jawa Barat yang tercatat sebagai wilayah dengan jumlah kasus tertinggi secara nasional. Pada tahun 2024, jumlah kasus DBD di Jawa Barat mencapai lebih dari 50.000 kasus. Tingginya kasus tersebut dipengaruhi oleh berbagai faktor, antara lain jumlah kasus DBD, jumlah penduduk, kepadatan penduduk, dan curah hujan, yang karakteristiknya berbeda antarwilayah sehingga tingkat risiko DBD tidak merata di setiap kabupaten/kota. Penelitian ini menerapkan metode K-Medoids dengan ukuran jarak Manhattan Distance untuk mengelompokkan 27 kabupaten/kota di Provinsi Jawa Barat berdasarkan faktor risiko DBD, menggunakan data sekunder tahun 2024 yang bersumber dari Profil Kesehatan Provinsi Jawa Barat dan Badan Pusat Statistik (BPS) Provinsi Jawa Barat. Tahapan analisis meliputi analisis deskriptif, deteksi pencilan menggunakan metode Interquartile Range (IQR), uji multikolinearitas menggunakan Variance Inflation Factor (VIF), penentuan jumlah cluster optimal menggunakan metode Silhouette Coefficient, serta pengelompokan wilayah menggunakan algoritma K-Medoids. Hasil analisis menunjukkan bahwa jumlah cluster optimal yang terbentuk adalah k = 2, dengan nilai Silhouette Coefficient sebesar 0,4216. Proses iterasi K-Medoids mencapai kondisi konvergen pada iterasi kedua, dengan Kabupaten Kuningan dan Kabupaten Sukabumi terpilih sebagai medoid akhir masing-masing cluster. Cluster 1 (Risiko Tinggi) beranggotakan 18 kabupaten/kota dengan rata-rata jumlah kasus DBD sebesar 2.809,56 kasus dan rata-rata kepadatan penduduk sebesar 4.633,06 jiwa/km2, sedangkan Cluster 2 (Risiko Rendah) beranggotakan 9 kabupaten/kota dengan rata-rata jumlah kasus DBD sebesar 1.205,67 kasus dan rata-rata kepadatan penduduk sebesar 2.466,67 jiwa/km2. Hasil ini menunjukkan bahwa wilayah dengan jumlah dan kepadatan penduduk yang tinggi cenderung memiliki tingkat risiko DBD yang lebih besar, sedangkan curah hujan tidak menunjukkan pola hubungan yang konsisten terhadap tingkat risiko DBD di Provinsi Jawa Barat.
References
[2] Kementerian Kesehatan RI, Direktorat Jenderal Pencegahan dan Pengendalian Penyakit, “Data kasus DBD Indonesia Januari–Oktober 2025,” 2025.
[3] Databoks, “67.000 kasus DBD di Indonesia hingga pertengahan 2025, terbanyak di Jawa Barat,” Katadata, 2025.
[4] IDN Times Jabar, “DBD di Jabar tembus 23.804 kasus, total kematian mencapai 84 jiwa,” 2025.
[5] Databoks, “Ada 119 ribu kasus DBD sampai Mei 2024, ini sebarannya,” Katadata, 2024.
[6] A. Ayuningtyas, “Analisis hubungan kepadatan penduduk dengan kejadian DBD di Provinsi Jawa Barat,” Jurnal Ilmiah Permas, vol. 13, no. 2, pp. 419–426, 2023, doi: 10.32583/pskm.v13i2.772.
[7] S. Sandy, “Perubahan iklim terhadap kasus DBD di Kabupaten Jayapura tahun 2014–2021,” Jurnal Kesehatan Lingkungan Indonesia, vol. 23, no. 2, pp. 182–190, 2024, doi: 10.14710/jkli.23.2.182-190.
[8] E. Komara, N. E. Wahyuningsih, and O. Setiani, “Hubungan cuaca dan kepadatan penduduk dengan kejadian DBD: Literature review,” Media Publikasi Promosi Kesehatan Indonesia (MPPKI), vol. 7, no. 4, pp. 864–870, 2024, doi: 10.56338/mppki.v7i4.5172.
[9] A. Bahauddin, A. Fatmawati, and F. Permata Sari, “Analisis clustering provinsi di Indonesia berdasarkan tingkat kemiskinan menggunakan algoritma K-Means,” Jurnal Manajemen Informatika dan Sistem Informasi, vol. 4, no. 1, pp. 1–8, 2021, doi: 10.36595/misi.v4i1.216.
[10] A. Fauzan, N. Suarna, I. Ali, and H. Susana, “Penerapan algoritma K-Means untuk pengelompokan kerentanan wilayah terhadap kasus DBD di Kota Bandung,” Jurnal Teknik Informatika dan Teknologi Informasi, vol. 5, no. 1, 2025, doi: 10.55111/jutiti.v5i1.6239.
[11] H. Ningrum, E. Irawan, and M. R. Lubis, “Implementasi metode K-Medoids clustering dalam pengelompokan data penyakit alergi pada anak,” Jurasik, vol. 6, no. 1, p. 130, 2021, doi: 10.30645/jurasik.v6i1.277.
[12] T. Syamfithriani, N. Mirantika, and R. Trisudarmo, “Perbandingan algoritma K-Means dan K-Medoids untuk pemetaan daerah penanganan diare pada balita di Kabupaten Kuningan,” Jurnal Sistem Informasi Bisnis, vol. 12, no. 2, pp. 132–139, 2023, doi: 10.21456/vol12iss2pp132-139.
[13] Solikhun, M. R. Siregar, L. Pujiastuti, and M. Wahyudi, “Manhattan distance-based K-Medoids clustering improvement for diagnosing diabetic disease,” Jurnal RESTI, vol. 8, no. 6, pp. 710–718, 2024, doi: 10.29207/resti.v8i6.5894.
[14] N. A. Siagian, A. Rikki, and P. B. N. Simangunsong, “Clustering menggunakan metode K-Medoids dengan pendekatan Manhattan Distance,” KAKIFIKOM, vol. 6, no. 2, pp. 169–175, 2024, doi: 10.54367/kakifikom.v6i2.4608.
[15] P. W. Rahayu et al., Buku Ajar Data Mining. Bandung, Indonesia: PT Sonpedia Publishing Indonesia, 2024.
[16] P. R. Sihombing, Suryadiningrat, D. A. Sunarjo, and Y. P. A. C. Yuda, “Identifikasi data outlier (pencilan) dan kenormalan data pada data univariat serta alternatif penyelesaiannya,” Jurnal Ekonomi dan Statistik Indonesia, vol. 2, no. 3, pp. 307–316, 2022, doi: 10.11594/jesi.02.03.07.
[17] I. Ghozali, Aplikasi Analisis Multivariate dengan Program IBM SPSS 25, 9th ed. Semarang, Indonesia: Badan Penerbit Universitas Diponegoro, 2018.
[18] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Burlington, MA, USA: Morgan Kaufmann, 2011.
[19] L. Kaufman and P. J. Rousseeuw, Finding Groups in Data: An Introduction to Cluster Analysis. New York, NY, USA: John Wiley & Sons, 1990.
[20] N. A. Siagian, A. Rikki, and P. B. N. Simangunsong, “Clustering menggunakan metode K-Medoids dengan pendekatan Manhattan Distance,” KAKIFIKOM, vol. 6, no. 2, pp. 169–175, 2024, doi: 10.54367/kakifikom.v6i2.4608.
[21] E. Schubert and P. J. Rousseeuw, “Fast and eager k-medoids clustering: O(k) runtime improvement of the PAM, CLARA, and CLARANS algorithms,” Information Systems, vol. 101, Art. no. 101804, 2021, doi: 10.1016/j.is.2021.101804.
