Analysis of K-Means and K-Medoids’s Performance Using Big Data Technology

Nurhayati, .; Sinatrya, Nadika Sigit; Wardhani, Luh Kesuma; Busman,

doi:10.1109/citsm.2018.8674251

Cited by 10 publications

(8 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…K-medoids have a good performance more optimal if the amount of data used is small (Rofiqi, 2017). The K-Medoids algorithm is better than the K-Means algorithm in terms of accuracy, execution time, and time complexity (Nurhayati et al, 2019).…”

Section: Literature Reviewmentioning

confidence: 95%

“…Another advantage is the results clustering process does not depend on the sequence enter datasets (Pramesti et al, 2017). A study showed the performance of the K-Medoids algorithm is superior to the K-Means algorithm in terms of accuracy with an accuracy of 63,24% (Nurhayati et al, 2019). Study on diabetes data to know the characteristics and track the maximum number of patients suffering from diabetes based on the area calculation algorithm, it was found that K-Medoids is the best algorithm for generating clusters 1015 (Anuradha et al, 2014).…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

K-Medoids Algorithm to Clustering COVID-19 Patients with Various Age Levels at Hospitals in Yogyakarta Province

Insani,

Darmawan,

Sugiyarto

2024

SinkrOn

View full text Add to dashboard Cite

COVID-19 causes a wide spectrum of symptoms, such as mild upper respiratory infection or life-threatening sepsis. From 20.2% of cases of COVID-19 progressed to severe disease with a mortality rate of 3.1% where 60%-90% of patients with comorbidities were hospitalized. The purpose of this study was to find out that cluster analysis using K-Medoids can distinguish COVID-19 patients at various age levels which analytical method has sensitivity and specificity values in analyzing clustering in COVID-19 patients. This study uses a cohort retrospective design conducted at five hospitals in Yogyakarta Province. The study used patient medical record data from March 2020 – September 2021 with a total of 916 patient data that met the inclusion criteria. Cluster analysis will be carried out using Google Colaboratory with the Python programming language. The clustering results are divided into 2 cluster groups where cluster 1 consists of 558 patients and cluster 2 consists of 358 patients with various age levels. The test resulted in 2 clusters with a DBI value of 5,191631. The results of statistical tests showed that there was a significant relationship (p-value = 0,023) between age, recovery rate, and patient mortality. From the test results, it can be seen that ages 50 to 59 years are suspected of COVID-19

show abstract

Section: Literature Reviewmentioning

confidence: 95%

Section: Introductionmentioning

confidence: 99%

K-Medoids Algorithm to Clustering COVID-19 Patients with Various Age Levels at Hospitals in Yogyakarta Province

Insani,

Darmawan,

Sugiyarto

2024

SinkrOn

View full text Add to dashboard Cite

show abstract

“…Penelitian komparatif tentang K-Means dan K-Medoid oleh Qomariyah [8] dan Suarna [9] menyatakan bahwa K-Means lebih baik daripada K-Medoid berdasarkan evaluasi DBI. Namun, penelitian Nurhayati [10] menyimpulkan bahwa K-Medoid lebih unggal dari K-Means berdasarkan nilai akurasi, waktu eksekusi (execution time) dan kompleksitas waktu (time complexity). Lebih rinci, Qomariyah [8] menggunakan perbandingan K-Means dan K-Medoid untuk klasterisasi mahasiswa.…”

Section: Tinjauan Pustakaunclassified

“…Disimpulkan bahwa, K-Means menghasilkan nilai DBI sebesar -1,535, sedangkan K-Medoid menghasilkan nilai -1,777. Keunggulan K-Medoid atas K-Means dibuktikan oleh Nurhayati [10] melalui penelitian menggunakan teknologi big data.…”

Section: Tinjauan Pustakaunclassified

Evaluasi Clustering K-Means Dan K-Medoid Pada Persebaran Covid-19 Di Indonesia Dengan Metode Davies-Bouldin Index (Dbi)

Fathurrahman,

Harini,

Kusumawati

2023

Mnemonic

View full text Add to dashboard Cite

Tingginya persebaran Covid-19 di Indonesia, dan persebaran di tiap-tiap daerah yang berbeda-beda, menjadikan perlu adanya pengelompokan daerah dengan masing-masing tingkat penyebarannya, untuk mengetahui kemiripan karakteristik atau kriteria dari setiap daerah dengan tingkat penyebaran Covid-19 yang akan terkumpul dalam suatu cluster tertentu. Penelitian ini menggunakan komparasi analisis cluster menggunakan K-Means dan K-Medoid untuk menganalisis perseberan virus Covid-19 di indonesia. Analisis komparasi kedua algoritma dibuktikan dengan adanya nilai davies bouldin index (DBI) sebagai parameter evaluasi menggunakan Bahasa Pemrograman Python Version 3 yang dijalankan pada tools Jupyter Notebook. Langkah penelitian dimulai dari import library atau modul yang digunakan dalam berbagai tahapan dalam penelitian ini. Tahapan yang dilakukan antara lain melakukan pre-processing berupa proses binning data hingga normalisasi data. Selanjutnya, menampilkan visualisasi data sebaran Covid-19. Kemudian, melakukan modeling Algoritma K-Means dan K-Medoids. Hingga diakhiri dengan langkah terakhir berupa evaluasi menggunakan Davies-Bouldin Index (DBI). Setelah dilakukan evaluasi DBI, K-Means mendapatkan nilai 0.9762331449809145, sedangkan K-Medoids mendapatkan nilai 0.9809235412405508. Karena K-Means memiliki nilai DBI yang lebih rendah dibandingkan K-medoids, maka dapat dikatakan K-Means menghasilkan klasterisasi yang lebih baik dalam klasterisasi data sebaran Covid-19 di Indonesia.

show abstract

“…Istilah Data Mining digunakan untuk menjelaskan atau memaparkan penemuan ilmu pengetahuan di dalam database. Data mining merupakan serangkaian proses dalam pencarian pola, hubungan, penggalian nilai tambah dari data dan informasi yang berukuran besar berupa pengetahuan dengan tujuan menemukan hubungan dan menyederhanakan data agar diperoleh informasi yang dapat dipahami dan bermanfaat dengan bantuan ilmu statistik dan matematika [1,3,12,17,19].…”

Section: Data Miningunclassified

Analisis Algoritma K-Means dan K-Medoids Untuk Clustering Data Kinerja Karyawan Pada Perusahaan Perumahan Nasional

fitriyadi¹

2021

kilat

View full text Add to dashboard Cite

Penilaian kinerja dilakukan untuk mengukur kinerja seorang karyawan terhadap pekerjaan yang dilakukan. Perusahaan Perumahan Nasional melakukan penilaian kinerja terhadap karyawan setiap 6 bulan sekali, yang melibatkan semua karyawan, baik karyawan tetap maupun karyawan kontrak. Tujuan dari penlitian ini adalah untuk melakukan analisis terhadap kinerja algoritma K-Means dan algoritma K-Medoids dalam melakukan proses clustering. Clustering akan dikelompokan menjadi 4 cluster yaitu: tingkat kinerja sangat baik, tingkat kinerja baik, tingkat kinerja cukup dan tingkat kinerja kurang baik. Proses clustering akan dilakukan mengunakan software rapidminer. Pengukuran performa algoritma dalam rapidminer dilakukan mengunakan metode Confusion Matrix dengan parameter accuracy,recall dan precision. Dari penelitian yang dilakukan diperoleh hasil algoritma K-Means mempunyai tingkat accuracy 56%, presision 25% dan recall 60%, sedankan algoritma K-Medoids mempunyai tingkat akurasi 14%, presision 25% dan recall 25%. Dengan hasil tersebut dapat disimpulkan bahwa algoritma K-Means mempunyai performa lebih baik bila dibandingkan dengan algoritma K-Medoids, karena mempunyai tinngkat akurasi dan recell lebih tinggi bila dibandingkan dengan algoritma K-Medoids

show abstract

Analysis of K-Means and K-Medoids’s Performance Using Big Data Technology

Cited by 10 publications

References 4 publications

K-Medoids Algorithm to Clustering COVID-19 Patients with Various Age Levels at Hospitals in Yogyakarta Province

K-Medoids Algorithm to Clustering COVID-19 Patients with Various Age Levels at Hospitals in Yogyakarta Province

Evaluasi Clustering K-Means Dan K-Medoid Pada Persebaran Covid-19 Di Indonesia Dengan Metode Davies-Bouldin Index (Dbi)

Analisis Algoritma K-Means dan K-Medoids Untuk Clustering Data Kinerja Karyawan Pada Perusahaan Perumahan Nasional

Contact Info

Product

Resources

About