Melihat Pengaruh Cuaca Terhadap Penyakit Demam Berdarah Di Banjarbaru menggunakan Fuzzy C-Means

Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 02, No.02 September 2015 ISSN: 2406-7857

Melihat Pengaruh Cuaca Terhadap Penyakit Demam Berdarah Di Banjarbaru menggunakan Fuzzy C-Means Muhammad Halim1, Andi Farmadi2, H. Irwan Budiman3 1,2,3Prodi

Ilmu Komputer FMIPA UNLAM Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan 1Email:

[email protected]

Abstract Dengue Fever (DB) is a disease caused by the mosquito Aedes aegypti. The spread of the disease is influenced by weather conditions and climate. Changes in air temperature affect the incubation period of mosquitoes. whereas an increase in the amount of rainfall will cause waterlogging everywhere so that broadens the spread of dengue fever. This study will look at how the Fuzzy C-Means used to classify weather data and data on cases of dengue, so the result of the grouping can be used as a base to see the effects of weather such as temperature, humidity, rainfall and rainy days against dengue fever in the area Banjarbar Keywords: Fuzzy C-Means, Climate, Weather, Dengue Abstrak Penyakit Demam Berdarah (DB) merupakan penyakit yang disebabkan nyamuk Aedes Aegypti. Penyebaran penyakit ini dipengaruhi oleh keadaan cuaca dan iklim. Perubahan suhu udara mempengaruhi masa inkubasi nyamuk. sedangkan peningkatan curah hujan akan menyebabkan banyaknya terjadi genangan air dimana-mana sehingga memperluas penyebaran penyakit demam berdarah. Penelitian ini akan melihat bagaimana Fuzzy C-Means digunakan untuk mengelompokkan data cuaca dan data kasus demam berdarah, sehingga hasil dari pengelompokkan tersebut dapat dijadikan dasar untuk melihat pengaruh cuaca yaitu suhu, kelembaban, curah hujan, dan hari hujan terhadap penyakit demam berdarah di daerah Banjarbaru. Kata kunci: Fuzzy C-Means, Iklim, Cuaca, Demam Berdarah 1. PENDAHULUAN Perubahan iklim mengakibatkan meningkatnya suhu udara akan menyebabkan masa inkubasi nyamuk semakin pendek, sedangkan musim penghujan akan menyebabkan banyaknya terjadi genangan air dimana-mana. Peningkatan curah hujan dan suhu berakibat pada meluasnya berbagai macam penyakit kususnya yang disebabkan nyamuk. Penyakit ini khususnya di daerah Tropis, seperti diare, malaria, leptospirosis, dan DBD[1]

Pengaruh Cuaca Terhadap Demam Berdarah Dengan Fuzzy C-Means (M. Halim)| 36


Penyakit Demam Berdarah (DB) merupakan penyakit yang disebabkan nyamuk Aedes Aegypti melalui virus dengue yang menyerang sel-sel darah. indonesia masih menjadi sarang kasus demam berdarah. Hingga pertengahan tahun ini, kasus demam berdarah terjadi di 31 provinsi dengan penderita 48.905 orang, 376 di antaranya meninggal dunia. Jumlah penderita demam berdarah pada semester pertama tahun ini menunjukkan kenaikan dibanding tahun lalu. Sepanjang 2012, Kemenkes mencatat 90.245 penderita. Angka kejadian Demam Berdarah di Banjarbaru pada tahun 2013 berjumlah 181 kejadian. Data Mining menurut David Hand, heikki Mannila, dan Padhraic Smyth dari MIT adalah analisa terhadap data (biasanya data yang berukuran besar) untuk menemukan hubungan yang jelas serta menyimpulkan yang belum diketahui sebelumnya dengan cara terkini dan dipahami dan berguna bagi pemilik data tersebut[2] Dari data tersebut dilakukan suatu penelitian untuk mengetahui pengaruh cuaca terhadap penyakit Demam Berdarah yaitu dengan implementasi FCmeans. Implementasi F-CMeans yang dihasilkan dari penelitian ini diharapkan dapat menjadi informasi, dasar atau acuan untuk melakukan pencegahan mewabahnya penyakit Demam Berdarah khususnya oleh masyarakat, pemerintah,dan khususnya pemerintah Kota Banjarbaru. 2. METODOLOGI PENELITIAN Fuzzy C-Means adalah algoritma Fuzzy C-means Clustering (FCM), atau dikenal juga sebagai Fuzzy ISODATA, merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means[3]. FCM menggunakan model pengelompokan fuzzy sehingga data dapa tmenjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1. Tingkat keberadaan data dalam suatu kelas atau cluster ditentukan oleh derajat keanggotaannya. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981. Konsep dasar FCM, pertama kali adalah menentukan pusat cluster yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap data memiliki derajat keanggotaan untuk tiaptiap cluster. Dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang, maka dapat dilihat bahwa pusat cluster akan menuju lokasi yang tepat. Perulangan ini didasarkan pada minimasi fungsi obyektif [5]: Algoritma FCM disusun dengan langkah sebagai berikut: a. Input data Data di cluster (X) berupa matrik berukuran n × m ( n = jumlah data, m = atribut setiap data). Xij = data ke- i (i = 1, 2, …, n), atribut ke- j (j = 1, 2, …, m). b. Batasan 1) Jumlah cluster = c 2) Pangkat = w 3) Maksimum iterasi = MaxIter 4) Error terkecil yang diharapkan = ξ 5) Fungsi obyektif awal = Po = 0 6) Iterasi awal = t = 1



c. Membangkitkan bilangan random µik, i = 1, 2, …, n; k = 1, 2, …,c; sebagai elemenelemen matrik partisi awal U, serta menghitung jumlah setiap kolom (atribut) : 𝑐

𝒬𝑗 = ∑ 𝜇𝑖𝑘 𝑘=1

Dengan j = 1, 2, …, m. Menghitung:

𝜇𝑖𝑘 𝒬𝑗 d. Menghitung pusat cluster ke- k : Vkj dengan k = 1, 2, …, c; dan j = 1, 2, …,m. ∑𝑛𝑖=1((𝜇𝑖𝑘 )𝑤 ∗ 𝑋𝑖𝑗 ) 𝑉𝑘𝑗 = ∑𝑛𝑖−1(𝜇𝑖𝑘 )𝑤 …(1) 𝜇𝑗 =

e. Menghitung fungsi obyektif pada iterasi ke- t, Pt : 𝑛

𝑐

𝑚 2

𝑃𝑡 = ∑ ∑ ([∑(𝑋𝑖𝑗 − 𝑉𝑘𝑗 ) ] (𝜇𝑖𝑘 )𝑤 ) 𝑖=1 𝑘=1

…(2)

𝑗=1

f. Menghitung perubahan matrik partisi: −1

𝜇𝑖𝑘 =

[∑𝑚 𝑗=1(𝑋𝑖𝑗

2 𝑤−1

− 𝑉𝑘𝑗 ) ]

−1

…(3)

2 𝑤−1

∑𝑐𝑘=1 [∑𝑚 𝑗=1(𝑋𝑖𝑗 − 𝑉𝑘𝑗 ) ] dengan i = 1, 2, …, n; dan k = 1, 2, …, c 3 g. Mengecek kondisi berhenti: (a) Jika : ( |Pt – Pt-1 | < ξ ) atau ( t > MakIter ) maka berhenti; (b) Jika tidak : t = t + 1, ulangi langkah ke- d ( menghitung Vkj ).



Berikut merupakan flowchart dari Fuzzy C-Means : Start

Menginisiasi jumlah cluster, nilai w, maks iterasi, error terkecil (ξ), Fungsi objektif awal (Po)

Membangkitatkan bilangan random µ

Menghitung pusat cluster

Menghitung fungsi objektif tidak Menghitung perubahan matriks partisi

( |Pt – Pt-1 | < ξ ) atau ( t > MakIter )

Ya End

Gambar 1.Flowchart FCM[5] 2.1.

Bahan Penelitian

Data-data yang diperlukan sebagai masukan curah Hujan, hari Hujan, kelembaban, suhu dan Jumlah Kasus demam Berdarah sebagai parameter. 3. HASIL DAN PEMBAHASAN Hasil dari penelitian adalah data yang menunjukkan tingkat resiko terjadinya Demam.data tersebut didapat dari perhitungan metode F-Cmeans.Berikut adalah Proses F-CMeans tersebut: a. Menetapkan matriks partisi awal U Berupa matriks berukuran n x m (n adalah jumlah data, yaitu=120, dan m adalah parameter/atribut setiap data, yaitu = 5). Xij = data sampel ke-i (i=1,2,...,n), atribut ke-j (j=1,2,...,m). Bulan Jan-04

Tabel 1. Matriks n x m[3] X1 X2 X3 X4 568 26 88.4 26.4

X5 16



Bulan Feb-04 Mar-04 Apr-04 May-04 Jun-04 Jul-04 Aug-04 Sep-04 Oct-04 .. Apr-13 May-13 Jun-13 Jul-13 Aug-13 Sep-13 Oct-13 Nov-13 Dec-13

X1 384.7 45.5 211.1 215.3 24.1 171.1 0 9.8 24.9 .. 305.5 346.5 140.7 125.7 81.5 33.6 106 441.2 349.5

X2 26 21 23 15 8 18 1 6 10 .. 23 22 13 24 15 12 13 24 23

X3 88.6 87.7 86.6 84.9 81.7 83.4 75.8 74.6 75.7 .. 82.6 85.9 82.7 85.6 81.1 79 78.3 85.4 89.2

X4 26.4 26.8 27.1 27 26.3 25.8 25.7 27.4 27.9 .. 27.2 27 27.4 25.9 26.2 26.8 27.6 26.6 26

X5 17 20 2 0 0 0 0 1 1 .. 15 4 0 2 0 3 0 1 0

Keterangan X1 = Curah Hujan X2 = Hari Hujan X3 = Kelembaban X4 = Suhu X5 = Jumlah Kasus DBD b. Menentukan Nilai Parameter Awal : 1) Jumlah cluster ( c )

= 3

2) Pangkat (w)

= 2

3) Maksimum interasi (MaxIter)

= 100

4) Error terkecil yang diharapkan ( ξ )

= 10-3

5) Fungsi objektif awal (P0)

= 0

6) Interasi awal (t)

= 1



c. Membangkitkan bilangan random μik, i=1,2,3...,n; k=1,2,...c; sebagai elemenelemen matriks partisi awal (U). I 1 2 3 4 5 6 7 8 9 10 .. 110 111 112 113 114 115 116 117 118 119 120

Tabel 2. Random m1 m2 0.342342 0.335345 0.352265 0.336985 0.315384 0.327614 0.157147 0.469782 0.235697 0.493134 0.316578 0.328924 0.259172 0.311383 0.31857 0.329408 0.317825 0.329203 0.316527 0.328878 .. .. 0.350063 0.335606 0.369508 0.334709 0.369117 0.338765 0.356704 0.338689 0.289772 0.321091 0.296998 0.323503 0.309122 0.326948 0.315749 0.328583 0.303717 0.325332 0.34696 0.336682 0.355711 0.338914

m3 0.322314 0.31075 0.357002 0.373071 0.271169 0.354499 0.429445 0.352022 0.352972 0.354595 .. 0.314331 0.295783 0.292118 0.304607 0.389137 0.379499 0.36393 0.355668 0.37095 0.316358 0.305375

d. Menentukan Pusat Cluster ( V ) Perhitungan untuk menentukan pusat cluster akan dilakukan dengan menggunakan rumus dibawah ini (persamaan 1): 2 ∑120 𝑖=1((𝜇𝑖𝑘 ) ∗ 𝑋𝑖𝑗 ) 𝑉𝑘𝑗 = 2 ∑120 𝑖=1 (𝜇𝑖𝑘 ) dapat dihitung 3 pusat klaster Vkj dengan k=1,2,3 dan j=1,2,3,4,5 sehingga untuk pusat cluster iterasi 1 didapatkan hasil sebagai berikut: Tabel 3. Perhitungan Pusat cluster 1 iterasi 1 m1

X1

X2

X3

X4

X5

m1^2

m1^2*X1

m1^2*X2

m1^2*X3

m1^2*X4

m1^2*X5

0.30982

568

26

88.4

26.4

16

0.095989

54.52158

2.495706

8.485401

2.534102

1.535819

0.336817

384.7

26

88.6

26.4

17

0.113446

43.64256

2.949588

10.05129

2.994966

1.928577

0.413628

45.5

21

87.7

26.8

20

0.171088

7.784504

3.592848

15.00442

4.585158

3.42176

0.187382

211.1

23

86.6

27.1

2

0.035112

7.41214

0.807576

3.040698

0.951535

0.070224


Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 02, No.02 September 2015 ISSN: 2406-7857 m1

X1

X2

X3

X4

X5

m1^2

m1^2*X1

m1^2*X2

m1^2*X3

m1^2*X4

m1^2*X5

0.143697

215.3

15

84.9

27

0

0.020649

4.445662

0.30973

1.753074

0.557515

0

0.295181

24.1

8

81.7

26.3

0

0.087132

2.099882

0.697056

7.118686

2.291572

0

0.315535

171.1

18

83.4

25.8

0

0.099562

17.03513

1.792124

8.303506

2.568711

0

0.212453

0

1

75.8

25.7

0

0.045136

0

0.045136

3.421325

1.160001

0

0.354001

9.8

6

74.6

27.4

1

0.125317

1.228105

0.751901

9.348633

3.43368

0.125317

0.124406

24.9

10

75.7

27.9

1

0.015477

0.385375

0.154769

1.171602

0.431806

0.015477

0.303514

227

28

85.6

26.9

1

0.092121

20.91141

2.579381

7.885535

2.478048

0.092121

..

..

..

..

..

..

..

..

..

..

..

..

0.458338

308.3

22

85.9

26.8

39

0.210074

64.76576

4.621624

18.04534

5.629979

8.19288

0.330976

305.5

23

82.6

27.2

15

0.109545

33.46602

2.519537

9.048424

2.979626

1.643176

0.331217

346.5

22

85.9

27

4

0.109705

38.01268

2.413503

9.423633

2.962027

0.438819

0.477011

140.7

13

82.7

27.4

0

0.227539

32.01476

2.958009

18.81749

6.234572

0

0.116486

125.7

24

85.6

25.9

2

0.013569

1.705631

0.325657

1.161512

0.351439

0.027138

0.316471

81.5

15

81.1

26.2

0

0.100154

8.162546

1.502309

8.122484

2.624033

0

0.509892

33.6

12

79

26.8

3

0.25999

8.735662

3.119879

20.53921

6.96773

0.77997

0.409125

106

13

78.3

27.6

0

0.167384

17.74265

2.175986

13.10613

4.619785

0

0.112494

441.2

24

85.4

26.6

1

0.012655

5.58337

0.303719

1.080734

0.336622

0.012655

0.141496

349.5

23

89.2

26

0

0.020021

6.99741

0.460488

1.785891

0.520551

0

Ttl

14.34695

3141.675

279.2642

1209.124

382.5637

165.7707

218.9786

19.46505

84.27741

26.66515

11.55442

Vkj

Tabel 4. Perhitungan Pusat cluster 2 interasi 1 m2

X1

X2

X3

X4

X5

m2^2

m2^2*X1

m2^2*X2

m2^2*X3

m2^2*X4

m2^2*X5

0.28728

568

26

88.4

26.4

16

0.08253

46.87683

2.14577

7.295619

2.178782

1.320474

0.479382

384.7

26

88.6

26.4

17

0.229807

88.4068

5.974985

20.36091

6.066908

3.906721

0.369285

45.5

21

87.7

26.8

20

0.136372

6.204908

2.863804

11.95979

3.654759

2.727432

0.379333

211.1

23

86.6

27.1

2

0.143894

30.37593

3.309552

12.46118

3.899516

0.287787

0.617512

215.3

15

84.9

27

0

0.381321

82.09838

5.719813

32.37414

10.29566

0

0.357136

24.1

8

81.7

26.3

0

0.127546

3.073853

1.020366

10.42049

3.354454

0

0.320033

171.1

18

83.4

25.8

0

0.102421

17.5242

1.843575

8.541897

2.642457

0

0.279977

0

1

75.8

25.7

0

0.078387

0

0.078387

5.941728

2.014544

0

0.084465

9.8

6

74.6

27.4

1

0.007134

0.069916

0.042806

0.532218

0.19548

0.007134

0.333635

24.9

10

75.7

27.9

1

0.111312

2.771675

1.113123

8.426338

3.105612

0.111312

..

..

..

..

..

..

..

..

..

..

..

..

0.211355

308.3

22

85.9

26.8

39

0.044671

13.77205

0.982761

3.837234

1.197181

1.742167

0.166117

305.5

23

82.6

27.2

15

0.027595

8.43019

0.634679

2.279325

0.750577

0.413921

0.292615

346.5

22

85.9

27

4

0.085623

29.66851

1.883715

7.355051

2.311832

0.342494

0.14272

140.7

13

82.7

27.4

0

0.020369

2.865936

0.264799

1.684527

0.558114

0

0.08824

125.7

24

85.6

25.9

2

0.007786

0.978737

0.186871

0.666507

0.201665

0.015573

0.333137

81.5

15

81.1

26.2

0

0.11098

9.044898

1.664705

9.000506

2.907685

0

0.124679

33.6

12

79

26.8

3

0.015545

0.522306

0.186538

1.22804

0.416601

0.046634


Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 02, No.02 September 2015 ISSN: 2406-7857 m2

X1

X2

X3

X4

X5

m2^2

m2^2*X1

m2^2*X2

m2^2*X3

m2^2*X4

m2^2*X5

0.373684

106

13

78.3

27.6

0

0.13964

14.8018

1.815315

10.93378

3.854053

0

0.458056

441.2

24

85.4

26.6

1

0.209815

92.57051

5.035567

17.91823

5.581087

0.209815

0.434683

349.5

23

89.2

26

0

0.18895

66.03788

4.34584

16.8543

4.912689

0

16.45339

3544.465

322.2294

1385.993

438.6911

116.8375

215.4246

19.58438

84.23757

26.66266

7.101125

Ttl Vkj

Tabel 5. Perhitungan Pusat Cluster 3 iterasi 1 m3

X1

X2

X3

X4

X5

m3^2

m3^2*X1

m3^2*X2

m3^2*X3

m3^2*X4

m3^2*X5

0.4029

568

26

88.4

26.4

16

0.162328

92.20248

4.220536

14.34982

4.285467

2.597253

0.183801

384.7

26

88.6

26.4

17

0.033783

12.99624

0.878353

2.993156

0.891866

0.574308

0.217087

45.5

21

87.7

26.8

20

0.047127

2.144266

0.989661

4.133013

1.262996

0.942534

0.433285

211.1

23

86.6

27.1

2

0.187736

39.63105

4.317926

16.25793

5.087643

0.375472

0.238792

215.3

15

84.9

27

0

0.057021

12.27672

0.855322

4.841122

1.539579

0

0.347683

24.1

8

81.7

26.3

0

0.120884

2.913294

0.967069

9.876187

3.179238

0

0.364432

171.1

18

83.4

25.8

0

0.132811

22.72395

2.390597

11.07643

3.426522

0

0.507571

0

1

75.8

25.7

0

0.257628

0

0.257628

19.52819

6.621035

0

0.561534

9.8

6

74.6

27.4

1

0.315321

3.090142

1.891923

23.52292

8.639784

0.315321

0.541959

24.9

10

75.7

27.9

1

0.293719

7.313612

2.937194

22.23456

8.194771

0.293719

..

..

..

..

..

..

..

..

..

..

..

..

0.330307

308.3

22

85.9

26.8

39

0.109103

33.63634

2.400258

9.371915

2.92395

4.255002

0.502907

305.5

23

82.6

27.2

15

0.252916

77.2658

5.817065

20.89085

6.879312

3.793738

0.376168

346.5

22

85.9

27

4

0.141503

49.03063

3.113056

12.15507

3.820568

0.56601

0.380269

140.7

13

82.7

27.4

0

0.144604

20.34585

1.879858

11.95879

3.962162

0

0.795274

125.7

24

85.6

25.9

2

0.63246

79.50026

15.17905

54.1386

16.38072

1.264921

0.350392

81.5

15

81.1

26.2

0

0.122774

10.00612

1.841616

9.957006

3.21669

0

0.365429

33.6

12

79

26.8

3

0.133538

4.486891

1.602461

10.54953

3.57883

0.400615

0.217191

106

13

78.3

27.6

0

0.047172

5.000217

0.613234

3.693556

1.301943

0

0.42945

441.2

24

85.4

26.6

1

0.184427

81.36922

4.42625

15.75007

4.90576

0.184427

0.42382

349.5

23

89.2

26

0

0.179624

62.77849

4.131346

16.02244

4.670217

0

Ttl

15.39102

3206.604

296.3993

1291.181

409.8803

134.1619

208.3426

19.25794

83.89185

26.63114

8.716896

Vkj

Pusat cluster ( V ) yang terbentuk pada iterasi pertama :

Vkj 1 2 3

Tabel 6. Pusat Cluster Iterasi 1 1 2 3 4 5 218.9786 19.46505 84.27741 26.66515 11.55442 215.4246 19.58438 84.23757 26.66266 7.101125 208.3426 19.25794 83.89185 26.63114 8.716896



e. Menghitung fungsi objektif (P) Perhitungan untuk fungsi obejktif pada iterasi pertama (P1) dihitung menggunakan rumus dibawah ini (persamaan 2): 2 5 3 2 𝑃2 = ∑120 𝑖=1 ∑𝑘=1 ([∑𝑗=1(𝑋𝑖𝑗 − 𝑉𝑘𝑗 ) ] (𝜇𝑖𝑘 ) ) = 411040.71 Berikut adalah perhitungan fungsi objektif iterasi pertama : Tabel 7. Perhitungan Fungsi Objektif iterasi 1 m1^2

m2^2

m3^2

L1

L2

L3

LT

Jan-04

0.095989

0.08253

0.162328

11700.59

10270.57

21017.03

42988.19

Feb-04

0.113446

0.229807

0.033783

3125.963

6621.293

1055.315

10802.57

Mar-04

0.171088

0.136372

0.047127

5163.474

3962.247

1256.519

10382.24

Apr-04

0.035112

0.143894

0.187736

6.019527

8.944826

13.94448

28.90884

May-04

0.020649

0.381321

0.057021

3.458093

27.45918

8.192436

39.10971

Jun-04

0.087132

0.127546

0.120884

3332.746

4693.215

4128.531

12154.49

Jul-04

0.099562

0.102421

0.132811

241.8895

206.7934

194.6353

643.3182

Aug-04

0.045136

0.078387

0.257628

2189.055

3674.441

11305.3

17168.8

Sep-04

0.125317

0.007134

0.315321

5531.805

303.8972

12531.28

18366.98

Oct-04

0.015477

0.111312

0.293719

587.2338

4063.248

9946.85

14597.33

..

.

.

..

..

..

..

Mar-13

0.210074

0.044671

0.109103

1836.183

431.1634

1191.416

3458.762

Apr-13

0.109545

0.027595

0.252916

823.059

226.0173

2401.447

3450.523

May-13

0.109705

0.085623

0.141503

1791.254

1472.644

2705.729

5969.626

Jun-13

0.227539

0.020369

0.144604

1434.831

115.706

678.5813

2229.118

Jul-13

0.013569

0.007786

0.63246

119.6123

63.05705

4364.512

4547.181

Aug-13

0.100154

0.11098

0.122774

1909.345

1999.567

1987.856

5896.769

Sep-13

0.25999

0.015545

0.133538

8975.369

515.4969

4092.188

13583.05

Oct-13

0.167384

0.13964

0.047172

2171.979

1690.151

501.0289

4363.159

Nov-13

0.012655

0.209815

0.184427

626.618

10707.42

10015.66

21349.7

Dec-13

0.020021

0.18895

0.179624

344.4952

3413.064

3600.376

7357.935

TOTAL

934261

..

f. Menghitung perubahan matriks partisi Perhitungan untuk perubahan matriks partisi pada iterasi pertama (U1) dihitung menggunakan rumus dibawah ini (persamaan 3): −1

𝜇𝑖𝑘 =

[∑5𝑗=1(𝑋𝑖𝑗

2 2−1

− 𝑉𝑘𝑗 ) ]

−1

∑3𝑘=1 [∑5𝑗=1(𝑋𝑖𝑗

2 2−1

− 𝑉𝑘𝑗 ) ]

Perhitungan perubahan matrik partisi iterasi pertama sebagai berikut:



Tabel 8. Perhitungan perubahan matriks iterasi 1 L1'

L2'

L3'

L'T

m1

m2

m3

0.008204

0.008036

0.007724

0.023963

0.342351

0.335332

0.322317

0.036291

0.034707

0.032012

0.103011

0.352307

0.336929

0.310764

0.033134

0.034418

0.037506

0.105058

0.315391

0.327608

0.357001

5.833014

16.08679

13.4631

35.3829

0.164854

0.454649

0.380497

5.97112

13.88683

6.960257

26.8182

0.222652

0.517813

0.259535

0.026144

0.027177

0.02928

0.082601

0.316512

0.329011

0.354476

0.411603

0.495281

0.682358

1.589242

0.258993

0.311646

0.429361

0.020619

0.021333

0.022788

0.06474

0.318489

0.329517

0.351995

0.022654

0.023476

0.025163

0.071293

0.317759

0.329291

0.35295

0.026356

0.027395

0.029529

0.083279

0.316472

0.328952

0.354576

..

..

..

..

..

..

..

0.114408

0.103606

0.091574

0.309587

0.36955

0.334657

0.295793

0.133095

0.122091

0.105318

0.360504

0.369191

0.338668

0.292141

0.061245

0.058143

0.052297

0.171685

0.356728

0.33866

0.304613

0.158583

0.176042

0.213098

0.547723

0.289531

0.321407

0.389062

0.113442

0.12348

0.14491

0.381832

0.297099

0.323389

0.379512

0.052455

0.055502

0.061762

0.169719

0.309067

0.327024

0.363909

0.028967

0.030155

0.032633

0.091755

0.315701

0.328649

0.35565

0.077065

0.08262

0.09415

0.253835

0.303603

0.325486

0.370911

0.020196

0.019595

0.018414

0.058205

0.346976

0.336661

0.316363

0.058118

0.055361

0.04989

0.163368

0.355745

0.33887

0.305385

g. Mengecek Kondisi Berhenti Karena | P1 – P0 | = | 934621– 0 | = 934621>> ξ (=0,001), dan iterasi = 1 < MaxIter (=100), maka proses dilanjutkan ke iterasi kedua (t=2). Pada iterasi kedua ditentukan kembali pusat klaster Vkj (seperti langkah perhitungan pada iterasi pertama) dengan k=1,2,3 dan j=1,2,3,4,5 Hasilnya seperti berikut :

Vkj 1 2 3

Tabel 9. Pusat cluster iterasi 2 1 2 3 4 230.6969 20.30658 84.55379 26.63117 217.5704 19.56529 84.25829 26.67105 192.8803 18.41711 83.62292 26.67187

5 10.53721 8.745031 7.994796

Fungsi objektif pada iterasi kedua (P2) juga dihitung menggunakan cara perhitungan fungsi objektif pada iterasi pertama (persamaan 2): 120 3

5 2

𝑃2 = ∑ ∑ ([∑(𝑋𝑖𝑗 − 𝑉𝑘𝑗 ) ] (𝜇𝑖𝑘 )2 ) = −815232 𝑖=1 𝑘=1

𝑗=1



Hasil perbaikan matrik partisi iterasi kedua adalah : Tabel 10. Perubahan Matriks iterasi 2 m1 m2 m3 0.365693 0.33873258 0.295574 0.401187 0.34037848 0.258435 0.268256 0.31017763 0.421567 0.15043 0.67243663 0.177133 0.188504 0.68912147 0.122374 0.274765 0.31348522 0.411749 0.105886 0.17349613 0.720618 0.281405 0.31642231 0.402172 0.278874 0.31531016 0.405816 0.274546 0.31336995 0.412084 .. .. .. 0.449473 0.33564141 0.214885 0.462132 0.33399396 0.203874 0.420603 0.33988315 0.239513 0.18849 0.25837551 0.553134 0.21142 0.27614893 0.512432 0.250121 0.30100226 0.448877 0.2717 0.31202668 0.416273 0.232359 0.29042847 0.477213 0.38372 0.34025213 0.276028 0.418053 0.34016028 0.241787 Dalam penelitian ini dengan menggunakan perhitungan manual iterasi berhenti pada iterasi ke–2 dimana selisih antara fungsi objektif iterasi ke-1 dan fungsi objektif iterasi ke-2 lebih kecil dari error terkecil yang diharapkan yaitu 815232. Sehingga proses Algoritma Fuzzy C-Means berhenti dengan pusat cluster, matrik partisi terakhir dan cluster yang terbentuk yaitu sebagai berikut :

Vkj 1 2 3

Tabel 11.pusat cluster iterasi 2 1 2 3 4 230.6969 20.30658 84.55379 26.63117 217.5704 19.56529 84.25829 26.67105 192.8803 18.41711 83.62292 26.67187

5 10.53721 8.745031 7.994796

Berdasarkan pusat cluster diatas, dapat diperoleh informasi tentang cluster yang terbentuk, yaitu : a. Cluster pertama, terdiri atas rata-rata curah hujan sebesar 230.6969; rata-rata hari hujan sebesar 20.30658; rata-rata kelembaban sebesar 84.55379; rata-rata suhu sebesar 26.633117; dan rata-rata jumlah kasus DBD sebesar 10.53721.



b.

c.

Cluster pertama, terdiri atas rata-rata curah hujan sebesar 217.5704; rata-rata hari hujan sebesar 19.56529; rata-rata kelembaban sebesar 84.25829; rata-rata suhu sebesar 26.67105; dan rata-rata jumlah kasus DBD sebesar 8.745031. Cluster pertama, terdiri atas rata-rata curah hujan sebesar 192.8803; rata-rata hari hujan sebesar 18.41711; rata-rata kelembaban sebesar 83.62292; rata-rata suhu sebesar 26.67187; dan rata-rata jumlah kasus DBD sebesar 7.994796. Dan untuk matriks partisi pada iterasi 2 yaitu sebagai berikut : Tabel 12. perubahan matrik iterasi 2 m1 m2 m3 0.365693 0.33873258 0.295574 0.401187 0.34037848 0.258435 0.268256 0.31017763 0.421567 0.15043 0.67243663 0.177133 0.188504 0.68912147 0.122374 0.274765 0.31348522 0.411749 0.105886 0.17349613 0.720618 0.281405 0.31642231 0.402172 0.278874 0.31531016 0.405816 0.274546 0.31336995 0.412084 .. .. .. 0.449473 0.33564141 0.214885 0.462132 0.33399396 0.203874 0.420603 0.33988315 0.239513 0.18849 0.25837551 0.553134 0.21142 0.27614893 0.512432 0.250121 0.30100226 0.448877 0.2717 0.31202668 0.416273 0.232359 0.29042847 0.477213 0.38372 0.34025213 0.276028

Dari matriks partisi U tersebut diperoleh informasi mengenai kecenderungan suatu data untuk masuk ke kelompok (cluster) yang mana. Suatu data memiliki derajat keanggotaan tertentu untuk menjadi anggota suatu kelompok. Tentu saja derajat keanggotaan terbesar menunjukkan kecenderungan tertinggi suatu data untuk masuk menjadi anggota kelompok. Tabel 13. Derajat Keanggotaan tiap data pada Setiap Cluster Derajat keanggotaan (µ) pada cluster ke -

Data masuk cendrung ke-

M1

M2

M3

Cluster 1

Jan-04

0.365693

0.33873258

0.295574

*

Feb-04

0.401187

0.34037848

0.258435

*

Mar-04

0.268256

0.31017763

0.421567

Cluster2

Cluster3

*


Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 02, No.02 September 2015 ISSN: 2406-7857 Apr-04

0.15043

0.67243663

0.177133

*

May-04

0.188504

0.68912147

0.122374

*

Jun-04

0.274765

0.31348522

0.411749

*

Jul-04

0.105886

0.17349613

0.720618

*

Aug-04

0.281405

0.31642231

0.402172

*

Sep-04

0.278874

0.31531016

0.405816

*

Oct-04

0.274546

0.31336995

0.412084

*

..

..

..

..

Mar-13

0.449473

0.33564141

0.214885

*

Apr-13

0.462132

0.33399396

0.203874

*

May-13

0.420603

0.33988315

0.239513

*

Jun-13

0.18849

0.25837551

0.553134

*

Jul-13

0.21142

0.27614893

0.512432

*

Aug-13

0.250121

0.30100226

0.448877

*

Sep-13

0.2717

0.31202668

0.416273

*

Oct-13

0.232359

0.29042847

0.477213

*

Nov-13

0.38372

0.34025213

0.276028

*

Dec-13

0.418053

0.34016028

0.241787

*

4. KESIMPULAN Kesimpulan yang diperoleh dari penelitian ini adalah, Fuzzy C-Means dapat digunakan untuk mengelompokkan cuaca yang mempengaruhi kejadian demam berdarah, dan dari penelitian ini didapat bahwa semakin tinggi curah hujan, hari hujan, dan kelembaban semakin tinggi pula tingkat resiko kejadian demam berdarah, sedangkan semakin tinggi suhu semakin rendah kasus kejadian demam berdarah di Banjarbaru.



DAFTAR PUSTAKA [1] Sri Listiyarini dkk, Model Dampak Perubahan iklim Akibat Pertumbuhan Penduduk terhadap sumberdaya air dan Kasus Penyakit(Studi kasus DKI Jakarta). 2010 [2] Larose, Daniel T, Data Mining, Methods and Models, New Jersey: Jhon Wiley & Sons. 2006 [3] Muhammad Halim. IMPLEMENTASI FUZZY C-MEANS UNTUK MELIHAT PENGARUH CUACA TERHADAP PENYAKIT DEMAM BERDARAH DI BANJARBARU, Skripsi Program Studi Ilmu Komputer, Universitas Lambung Mangkurat, Banjarbaru, 2015. [4] Lutfhi, Emha Taufiq, Fuzzy C-Means untuk Clustering data (Studi kasus : Data Performance mengajar Dosen),2007. [5] Ahmad Ramadhani, Clustering Data Cuaca Untuk Pengenalan Pola Perioditas Iklim Wilayah Pelaihari Dengan Metode Fuzzy C-Means, Skripsi Program Studi Ilmu Komputer, Universitas Lambung Mangkurat, Banjarbaru, 2013.


Melihat Pengaruh Cuaca Terhadap Penyakit Demam Berdarah Di Banjarbaru menggunakan Fuzzy C-Means

Recommend Documents