eprintid: 58306 rev_number: 16 eprint_status: archive userid: 16736 dir: disk0/00/05/83/06 datestamp: 2026-02-12 08:16:39 lastmod: 2026-02-12 08:16:39 status_changed: 2026-02-12 08:16:39 type: thesis metadata_visibility: show contact_email: 3337210041@untirta.ac.id creators_name: Hamdani, Shofie Muthia Putri creators_id: 3337210041 contributors_type: http://www.loc.gov/loc.terms/relators/THS contributors_type: http://www.loc.gov/loc.terms/relators/THS contributors_name: Sukarna, Royan Habibie contributors_name: Darnis, Febriyanti contributors_id: 199204222022031006 contributors_id: 199002062024062001 corp_creators: UNIVERSITAS SULTAN AGENG TIRTAYASA corp_creators: FAKULTAS TEKNIK corp_creators: JURUSAN INFORMATIKA title: PERBANDINGAN ALGORITMA K-MEANS DAN ALGORITMA K-MEDOIDS UNTUK KLASTERISASI GEOGRAFIS PASIEN TBC DALAM ANALISIS PENYEBARAN PENYAKIT DI PROVINSI BANTEN ispublished: pub subjects: T1 divisions: TKI full_text_status: restricted keywords: Analisis Spasial, Klasterisasi, K-Means, K-Medoids, TBC. abstract: Tuberkulosis (TBC) masih menjadi permasalahan kesehatan masyarakat di Provinsi Banten dengan pola penyebaran yang bervariasi antar wilayah. Perbedaan karakteristik geografis dan demografis menyebabkan perlunya pendekatan analisis spasial untuk memahami pola distribusi kasus TBC secara lebih komprehensif. Penelitian ini bertujuan untuk menganalisis pola penyebaran TBC melalui metode klasterisasi serta mengelompokkan wilayah berdasarkan tingkat penyebaran TBC menjadi kategori tinggi dan rendah. Data yang digunakan merupakan data sekunder pasien TBC yang telah melalui tahapan preprocessing dan rekayasa fitur, meliputi proses geocoding fasilitas pelayanan kesehatan untuk memperoleh koordinat latitude dan longitude, serta penambahan variabel usia pasien dan kepadatan penduduk. Evaluasi hasil klasterisasi dilakukan menggunakan nilai silhouette score. Hasil penelitian menunjukkan bahwa algoritma K-Means menghasilkan nilai sillhouette sebesar 0,475, sedangkan algoritma K-Medoids menghasilkan nilai silhouette sebesar 0,472, yang mengindikasikan bahwa kedua metode mampu membentuk klaster dengan kualitas yang cukup baik. Temuan ini memberikan gambaran wilayah prioritas yang berpotensi menjadi fokus dalam perencanaan intervensi penanggulangan TBC di Provinsi Banten. date: 2026-01 date_type: published pages: 63 institution: FAKULTAS TEKNIK UNIVERSITAS SULTAN AGENG TIRTAYASA department: JURUSAN INFORMATIKA thesis_type: sarjana thesis_name: sarjana referencetext: [1] Kemenkes RI, Profil Kesehatan Indonesia 2023. 2023. Accessed: Oct. 28, 2024. [Online]. Available: https://www.kemkes.go.id/id/profil-kesehatan- indonesia-2023 [2] World Health Organization (WHO), GLOBAL TUBERCULOSIS REPORT 2023. 2023. [3] Sub Recipient (SR) Konsorsium Penabulu - STPI Provinsi Banten, “PROGRAM ELIMINASI TBC SUB RECIPIENT (SR) KONSORSIUM PENABULU - STPI PROVINSI BANTEN,” 22AD, Accessed: Jan. 07, 2025. [Online]. Available: https://tbckomunitas.id/wp- content/uploads/2022/06/Profil-SR-Banten.pdf [4] Rostinah, “Tahun 2022 Ada 61 Ribu Kasus TBC di Banten,” Radar Banten. Available : https://www.radarbanten.co.id/2023/04/13/tahun-2022-ada-61- ribu-kasus-tbc-di-banten/. [5] A. Firdaus, “Temuan kasus Tuberkulosis di Banten dan Jabar lampaui angka estimasi,” ANTARA. Available : https://www.antaranews.com/berita/4002570/temuan-kasus-tuberkulosis-di- banten-dan-jabar-lampaui-angka-estimasi. [6] A. Sutriyawan, N. Nofianti, and Rd. Halim, “Faktor Yang Berhubungan dengan Kejadian Tuberkulosis Paru,” Jurnal Ilmiah Kesehatan (JIKA), vol. 4, no. 1, pp. 98–105, Apr. 2022, doi: 10.36590/jika.v4i1.228. [7] S. D. Pralambang and S. Setiawan, “Faktor Risiko Kejadian Tuberkulosis di Indonesia,” Jurnal Biostatistik, Kependudukan, dan Informatika Kesehatan, vol. 2, no. 1, p. 60, Nov. 2021, doi: 10.51181/bikfokes.v2i1.4660. [8] M. Ula, A. Zulfikri, A. F. Ulva, and R. A. Rizal, “Penerapan Machine Learning Clustering K-Means dan Linear Regression Dalam Penentuan Tingkat Resiko Tuberkulosis Paru,” The Indonesian Journal of Computer Science, vol. 12, no. 1, Feb. 2023, doi: 10.33022/ijcs.v12i1.3162. [9] P. A. Kusuma and A. U. Firmansyah, “Deteksi Penyebaran Penyakit Tuberkulosis dengan Algoritma K-Means Clustering Menggunakan Rapid Miner,” Jurnal Teknologi Informatika dan Komputer, vol. 8, no. 2, pp. 41– 54, Sep. 2022, doi: 10.37012/jtik.v8i2.1173. [10] H. Muhammad and S. Anggraini, “KLASTERISASI PENYAKIT MENULAR DI INDONESIA MENGGUNAKAN METODE K-MEANS CLUSTERING,” J-Com (Journal of Computer), vol. 4, no. 1, pp. 50–57, Mar. 2024, doi: 10.33330/j-com.v4i1.3033. [11] D. Riswana, “ANALISIS SEGMENTASI KONSUMEN MENGGUNAKAN ALGORITMA K-MEANS CLUSTERINGBERDASARKAN MODEL RFM SEBAGAI REKOMENDASI STRATEGI PEMASARAN (STUDI KASUS DI PT. XYZ),” 2023. [12] F. Handayani, “Aplikasi Aplikasi Data Mining Menggunakan Algoritma K- Means Clustering untuk Mengelompokan Mahasiswa Berdasarkan Gaya Belajar,” Jurnal Teknologi dan Informasi, vol. 12, no. 1, pp. 46–63, Mar. 2022, doi: 10.34010/jati.v12i1.6733. [13] A. Fatouhi and M. Montazeri-Gh, “Tehran driving cycle development using the K-Means clustering method,” Scientia Iranica, vol. 20, no. 2, pp. 286– 293, Apr. 2013. [14] D. Abdullah, S. Susilo, A. S. Ahmar, R. Rusli, and R. Hidayat, “The application of K-means clustering for province clustering in Indonesia of the risk of the COVID-19 pandemic based on COVID-19 data,” Qual Quant, vol. 56, no. 3, pp. 1283–1291, Jun. 2022, doi: 10.1007/s11135-021-01176-w. [15] I. J. Putri, F. Riana, and B. Wulandari, “Pengelompokan Kasus Tuberculosis Dengan Algoritma K-Means Berdasarkan Kelurahan di Kota Bogor,” Jurnal Informatika, vol. 11, no. 1, pp. 42–48, Apr. 2024, doi: 10.31294/inf.v11i1.20042. [16] B. Purwanto, A. Nilogiri, and Wardoyo. Ari Eko, “Penerapan Algoritma K- Means Clustering Untuk Pengelompokan Penyebaran Penyakit Tbc (Studi Kasus: Puskesmas Di Kabupaten Jember),” Jurnal Smart Teknologi, vol. 3, no. 3, pp. 273–285, Mar. 2022. [17] R. R. A. Aria, S. Susilowati, and I. R. Rahadjeng, “Data Mining Menentukan Cluster Penerima Program Bantuan dengan Metode K-Means,” remik, vol. 7, no. 1, pp. 291–300, Jan. 2023, doi: 10.33395/remik.v7i1.12030. [18] M. T. I. Rahmayani, “ANALISIS CLUSTERING TINGKAT KEPARAHAN PENYAKIT PASIEN MENGGUNAKAN ALGORITMA K-MEANS (STUDI KASUS DI PUSKESMAS BANDAR SEIKIJANG),” Jurnal Inovasi Teknik Informatika, vol. 1, no. 2, pp. 40–44, Dec. 2018. [19] D. Toresa, “IMPLEMENTASI K-MEANS TERHADAP PENYEBARAN PENYAKIT TBC DI RIAU MENGGUNAKAN RAPID MINER,” JUTIM (Jurnal Teknik Informatika Musirawas), vol. 5, no. 1, pp. 35–42, May 2020, doi: 10.32767/jutim.v5i1.809. [20] F. S. Hidayat, R. B. P. Affandi, V. Zuliana, and T. N. Padilah, “Penerapan K- Means Clustering dalam Pengelompokan Kasus Tuberkulosis di Provinsi Jawa Barat,” Jurnal Ilmiah Wahana Pendidikan, pp. 219–227, 2022. [21] Y. P. Sari, A. Primajaya, and A. S. Y. Irawan, “Implementasi Algoritma K- Means untuk Clustering Penyebaran Tuberkulosis di Kabupaten Karawang,” INOVTEK Polbeng - Seri Informatika, vol. 5, no. 2, p. 229, Nov. 2020, doi: 10.35314/isi.v5i2.1457. [22] 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, Jan. 2021, doi: 10.36595/misi.v4i1.216. [23] I. Nuryani and D. Darwis, “ANALISIS CLUSTERING PADA PENGGUNA BRAND HP MENGGUNAKAN METODE K-MEANS,” Prosiding Seminar Nasional Ilmu Komputer, vol. 1, no. 1, pp. 190–211, 2021. [24] A. Sulistiyawati and E. Supriyanto, “Implementasi Algoritma K-means Clustring dalam Penetuan Siswa Kelas Unggulan,” Jurnal Tekno Kompak, vol. 15, no. 2, p. 25, Aug. 2021, doi: 10.33365/jtk.v15i2.1162. [25] Annisa, “Algoritma K- Means Clustering: Pengertian, Fungsi dan Cara Kerja,” Fakultas Ilmu Komputer dan Teknologi Informasi, UMSU. Accessed: Nov. 24, 2024. [Online]. Available: https://fikti.umsu.ac.id/algoritma-k-means-clustering-pengertian-fungsi- dan-cara-kerja/ [26] T. Firmansyah, Poningsih, and S. R. Andani, “Analisis Clustering Algoritma K-Means Sebagai Rekomendasi Penambahan Koleksi Buku Di Perpustakaan Madrasah Tsanawiyah Negeri 2 Simalungun,” Buletin Big Data, Data Science and Artificial Intelligence, vol. 1, no. 1, pp. 44–48, Jun. 2022. [27] E. Rahmah, E. Haerani, A. Nazir, and S. Ramadhani, “Penerapan Algoritma K-Medoids Clustering Untuk Menentukan Srategi Promosi Pada Data Mahasiswa (Studi Kasus : Stikes Perintis Padang) ,” Jurnal Nasional Komputasi dan Teknologi Informasi, vol. 5, no. 3, Jun. 2022. [28] Tb. A. Munandar, “PENERAPAN ALGORITMA CLUSTERING UNTUK PENGELOMPOKAN TINGKAT KEMISKINAN PROVINSI BANTEN,” JSiI (Jurnal Sistem Informasi), vol. 9, no. 2, pp. 109–114, Sep. 2022, doi: 10.30656/jsii.v9i2.5099. [29] “TBC,” Diretorat Jendral Pelayanan Kesehatan. Available : https://yankes.kemkes.go.id/view_artikel/1375/tbc. [30] K. MAR’IYAH and ZULKARNAIN, “Patofisiologi penyakit infeksi tuberkulosis,” Prosiding Seminar Nasional Biologi, vol. 7, no. 1, pp. 88–92, 2021. [31] PPTI, “TBC ekstraparu terjadi ketika infeksi menyebar ke organ lain di luar paru-paru. Ini dapat melibatkan berbagai bagian tubuh, seperti kelenjar getah bening, tulang, ginjal, dan sistem saraf pusat. Berbeda dengan TBC paru, TBC ekstraparu tidak menular melalui udara.,” Perkumpulan Pemberantasan Tuberkulosis Indonesia. Accessed: Nov. 25, 2024. [Online]. Available: https://ppti.id/tidak-hanya-menyerang-paru-berikut-macam-macam-tbc- yang-perlu-diwaspadai/ [32] Fairuz, H. Dewi, and Humaryanto, “PROFIL EKSTRA PARU TUBERKULOSIS SECARA HISTOPATOLOGIK PADA FORMALIN FIXED PARAFFIN EMBEDDED (FFPE) DI PROVINSI JAMBI,” Journal Online UNJA, vol. 8, no. 1, pp. 60–66, May 2020. [33] Y. A. Pratama, “KARAKTERISTIK KLINIS PENYAKIT TUBERKULOSIS PARU PADA ANAK,” Jurnal Penelitian Perawat Profesional, vol. 3, no. 2, pp. 237–242, May 2021. [34] G. K. Sari, Sarifuddin, and T. Setyawati, “TUBERKULOSIS PARU POST WODEC PLEURAL EFUSION: LAPORAN KASUS PULMONARY TUBERCULOSIS POST WODEC PLEURAL EFFUSION: CASE REPORT,” Jurnal Medical Profession (MedPro), vol. 4, no. 2, pp. 174–182, Jun. 2022. [35] A. Rejito, N. W. D. Bintari, and S. Idayani, “HASIL PEMERIKSAAN TES CEPAT MOLEKULER (GeneXpert) PASIEN SUSPEK TUBERKULOSIS PARU DI RSUD KABUPATEN BULELENG,” JURNAL RISET KESEHATAN NASIONAL, vol. 8, no. 2, pp. 149–154, Oct. 2024. [36] S. K. R. Purba and R. Y. M. Ginting, “GAMBARAN SKRINING TUBERKULOSIS PARU DENGAN ALAT TES CEPAT MOLEKULER DAN FOTO RONSEN PADA PENDERITA SUSPEK TUBERKULOSIS PARU DI UPTD RS KHUSUS PARU PROVINSI SUMATERA UTARA,” Jurnal Review Pendidikan dan Pengajaran, vol. 8, no. 2, Jun. 2025. citation: Hamdani, Shofie Muthia Putri (2026) PERBANDINGAN ALGORITMA K-MEANS DAN ALGORITMA K-MEDOIDS UNTUK KLASTERISASI GEOGRAFIS PASIEN TBC DALAM ANALISIS PENYEBARAN PENYAKIT DI PROVINSI BANTEN. S1 thesis, FAKULTAS TEKNIK UNIVERSITAS SULTAN AGENG TIRTAYASA. document_url: https://eprints.untirta.ac.id/58306/1/Shofie%20Muthia%20Putri%20Hamdani_3337210041_FullText.pdf document_url: https://eprints.untirta.ac.id/58306/2/Shofie%20Muthia%20Putri%20Hamdani_3337210041_01.pdf document_url: https://eprints.untirta.ac.id/58306/3/Shofie%20Muthia%20Putri%20Hamdani_3337210041_02.pdf document_url: https://eprints.untirta.ac.id/58306/4/Shofie%20Muthia%20Putri%20Hamdani_3337210041_03.pdf document_url: https://eprints.untirta.ac.id/58306/5/Shofie%20Muthia%20Putri%20Hamdani_3337210041_04.pdf document_url: https://eprints.untirta.ac.id/58306/6/Shofie%20Muthia%20Putri%20Hamdani_3337210041_05.pdf document_url: https://eprints.untirta.ac.id/58306/7/Shofie%20Muthia%20Putri%20Hamdani_3337210041_Ref.pdf document_url: https://eprints.untirta.ac.id/58306/8/3337210041_Shofie%20Muthia%20Putri%20Hamdani_CP.pdf document_url: https://eprints.untirta.ac.id/58306/9/Shofie%20Muthia%20Putri%20Hamdani_3337210041_Lamp.pdf