Perbandingan Algoritma K-Means dan Dbscan Untuk Pengelompokan Data Covid-19 Seluruh Kecamatan di Jawa Barat

Clustering merupakan salah satu substansi Data Mining untuk pengelompokkan suatu data. Terdapat beberapa Algoritma yang dapat digunakan dalam clustering data diantaranya Algoritma K-Means dan Algoritma DBSCAN. Penelitian ini bertujuan untuk menerapkan Algoritma K-Means dan Algoritma DBSCAN dalam pengelompokan penyebaran Covid-19 seluruh kecamatan di Jawa Barat serta melakukan perbandingan Algoritma untuk mengetahui Algoritma yang terbaik. Dari hasil penelitian, Algoritma K-means dalam melakukan pengelompokan diperoleh 540 data kecamatan pada cluster 1, 74 data kecamatan pada cluster 2, dan 13 data kecamatan pada cluster 3 dari 627 data kecamatan. Sedangkan penerapan menggunakan Algoritma DBSCAN dengan 20 kali percobaan dari rentang nilai Eps 0.01 sampai 0.1 dan nilai MinPts 2 dan 3 menghasilkan objek terletak dalam kelompok yang tepat. Dari hasil perbandingan Algoritma K-Means ¬dan DBSCAN menggunakan metode Davies-Bouldin Index (DBI) menghasilkan Algoritma K-Means lebih optimal dari Algoritma DBSCAN karena dalam menentukan sebuah cluster terbaik menggunakan metode Davies-Bouldin Index (DBI) dapat dilihat berdasarkan nilai DBI terkecil dari percobaan lainnya. Nilai DBI Algoritma K-Means diperoleh dengan nilai 0.4328 pada k=5, sedangkan Algoritma DBSCAN diperoleh nilai DBI pada nilai Eps 0.09 dan MinPts 3 yaitu sebesar 0.6706.
Kata Kunci: clustering, algoritma k-means, algoritma dbscan