IMPLEMENTASI DATA MINING UNTUK MENGELOMPOKKAN …

Jurnal Teknologi dan Bisnis Vol. 3, No.1, Page: 67 – 78, Year 2021

67

IMPLEMENTASI DATA MINING UNTUK MENGELOMPOKKAN PASIEN

RAWAT JALAN DAN RAWAT INAP ASURANSI KESEHATAN

Ratih(1), Fajar Mahardika(2)

[email protected] (1), [email protected](2)

1 STMIK Komputama Majenang 2Universitas Putra Bangsa

Abstract

Patient Visits Outpatient and inpatient insurance at Class C Hospitals is increasing from year to

year. Increased visits to insurance patients will have an impact on the inpatient and outpatient health

services provided. From the increase in patient visits, the data owned by the hospital is increasingly

abundant. The data can be used to explore knowledge, find certain patterns.

To explore knowledge about Inpatient and Outpatient Insurance patients, data mining clustering

techniques are used with the Self Organizing Map (SOM) algorithm using R Studio tools. Clustering

technique with the implementation of the Self Organizing Map (SOM) algorithm is a technique for

grouping data based on certain characteristics which are then mapped into areas that resemble map shapes.

The CRISP-DM method is used in this study to perform the stages of the data mining process.

The results obtained from the implementation of clustering with the Self Organizing Map (SOM)

algorithm are obtained 2 clusters representing dense areas and non-congested areas. Dense areas are

represented by Internal Medicine Clinic, Surgery Clinic, Eye Clinic, Hemodialysis, Melati Room, Orchid

Room, Bougenville Room, Flamboyan Room. Non-crowded areas are represented by General Clinics,

Dental Clinics, Obstetrics and Gynecology Clinics, Children's Clinics, Mawar Room and Soka Room.

Keywords: Patient Insurance, Self Organizing Map (SOM), Class C Hospital

LATAR BELAKANG

Rumah sakit kelas C merupakan rumah sakit yang didalamnya terdapat pelayanan

kedokteran subspesialis terbatas yang meliputi beberapa pelayanan diantaranya adalah pelayanan

kesehatan anak, pelayanan bedah, pelayanan penyakit dalam, serta pelayanan penyakit

kandungan dan kebidanan. Selain pelayanan tersebut, Rumah Sakit juga melayani pelayanan

spesialis diantaranya adalah spesialis penyakit anak, spesialis bedah, spesialis penyakit dalam,

spesialis kebidanan dan penyakit kandungan, dan spesialis mata. Selain pelayanan spesialis ada

juga beberapa pelayanan penunjang lainnya diantaranya Rontgen, Phisioterapy, Hemodialisa,

ICU, Laboratorium, serta ruang rawat inap dari kelas 3 sampai dengan VIP.

Rumah Sakit Kelas C adalah salah satu rumah sakit yang bekerjasama dengan Badan

Penyelenggara Asuransi. Asuransi adalah salah satu program jaminan kesehatan yang dibuat atau

di rancang orang perusahaan-perusahaan swasta. Asuransi ini bertujuan untuk saling membantu

satu sama lain anggota dalam penyelenggaran jaminan kesehatan. Kunjungan pasien Ansurasi di

mailto:[email protected]

mailto:[email protected]


68

Rumah Sakit kelas C dari tahun ke tahun semakin meningkat. Hal tersebut dijabarkan pada

gambar di bawah ini:

Gambar 1. Grafik Kunjungan Pasien Asuransi di Rumah Sakit Kelas C

Keterangan:

Warna Biru : Asuransi Rawat Inap

Warna orange : Asuransi Rawat Jalan

Semakin meningkatnya kunjungan pasien terutama pasien Asuransi di Rumah Sakit Kelas C

maka semakin melimpah data yang dimiliki rumah sakit. Gambar 1 menunjukkan bahwa

kunjungan pasien Asuransi dari tahun 2016 sampai tahun 2018 mengalami peningkatan, baik

pasien rawat inap maupun pasien rawat jalan. Dengan semakin banyaknya pasien Asuransi yang

berobat ke Rumah Sakit Kelas C, tentu saja akan berdampak pada pelayanan kesehatan yang

diberikan. Jika dilihat secara kasat mata, dimana padatnya kunjungan pasien yang berobat ke

rumah sakit, rumah sakit harus menambah sarana dan prasarana yang ada untuk menunjang

kenyamanan dan kecepatan pelayanan. Dari mulai ketersediaan sarana dan prasarana seperti

kamar rawat inap dan klinik yang menunjang untuk memberikan pelayanan yang maksimal

sesuai dengan visi misi yang diusung oleh Rumah Sakit Kelas C yaitu rumah sakit yang

mengutamakan kepuasan pasien, melaksanakan pelayanan dengan cepat, tepat, murah, dan

berkualitas.

Melimpahnya data pasien tidak diimbangi dengan kajian dan analisis data yang mendalam.

Pemanfaatan data yang ada di Rumah Sakit Kelas C untuk menunjang kegiatan pengambilan

0 10000 20000 30000 40000 50000

TAHUN

2016

TAHUN

2017

TAHUN

2018


69

keputusan, tidak cukup hanya mengandalkan data operasional saja, diperlukan suatu analisis data

untuk menggali potensi-potensi, menemukan pola-pola, pengetahuan, yang nantinya dapat

membantu pihak Rumah Sakit Kelas C dalam menentukan kebijakan pengadaan sarana dan

prasarana rumah sakit. Salah satu cara yang bisa diterapkan adalah dengan teknik data mining.

Dengan menerapkan teknik data mining untuk menggali pengetahuan-pengetahuan pada database

pasien diharapkan dapat memberikan rekomendasi atau usulan yang bermanfaat kepada pihak

Rumah Sakit Kelas C dalam menentukan kebijakan untuk meningkatkan pelayanan kepada

pasien dalam pengadaan sarana dan prasarana.

Salah satu teknik dalam data mining adalah clustering. Clustering merupakan proses

pengelompokan data ke dalam beberapa kelompok sehingga data dalam kelompok tersebut

memiliki tingkat kemiripan karakteristik antara data yang satu dengan yang lainnya. Untuk tujuan

pengelompokan profil pasien pengguna Asuransi maka dilakukan identifikasi pasien dengan cara

segmentasi menggunakan analisis cluster. Ada bermacam-macam metode untuk melakukan

analisis cluster, mulai dari metode yang sederhana hingga metode yang kompleks dengan

menggunakan kecerdasan tiruan seperti jaringan syaraf tiruan (Artificial Neural Network).

Metode jaringan syaraf tiruan untuk melakukan clustering adalah metode jaringan syaraf yang

menggunakan pola unsupervised learning, salah satunya yaitu Kohonen’s Self Organizing Map

(SOM).

Pada penelitian ini juga ditampilkan penelitian yang berkaitan dengan tema pada penelitian

ini. Penelitian tersebut dijabarkan dalam bentuk table dibawah ini:

Tabel 1. Penelitian terkait

No. Judul Penelitian Keterangan

1. ““Implementasi algoritma K-

Means Clustering pada

analisis penyebaran penyakit

pasien pengguna BPJS

Kesehatan”. Parasian DP

Silitonga, dkk (2016)

Penelitian ini dilakukan pada rumah sakit umum pusat

Haji Adam Malik Medan dengan meneliti pasien

BPJS untuk mengelompokkan penyakit berdasarkan

kode INACBG dengan menggunakan algoritme k-

means clustering menggunakan tools weka. Atribut

yang dipakai adalah kode jenis penyakit, jenis

kelamin, usia dan alamat.


70

2. “Clustering Dampak Gempa

Bumi di Indonesia

menggunakan Kohonen Self

Organizing Map (SOM)”.

Halim, Nurul. dkk (2017).

Pada penelitian metode cluster yang digunakan adalah

kohonen self organizing map (SOM). SOM

merupakan metode analisis untuk data berdimensi

tinggi dan tidak diperlukan asumsi serta dapat

menghasilkan visualisasi objek tersebut. Data yang

digunakan adalah 14 variabel dampak gempa bumi

pada 26 provinsi di Indonesia yang mengalami gempa

tahun 2000 – 2016. Dari hasil penelitian ini

didapatkan 4 cluster.

3. “Pengelompokan Kelas

menggunakan Self Organizing

Map Neural Network pada

SMK N 1 Depok”, Harli, dkk

(2016).

Penelitian ini meneliti tentang pengelompokan kelas

berdasarkan nilai raport siswa menggunakan

algoritme self organizing map (som). som efektif

untuk penanganan data yang sangat besar.

4. Self Organizing Map-Neural

Network untuk

Pengelompokan Abstrak.”

Hariri, (2016)

Penelitian ini membahas tentang clustering artikel

atau teks berbahasa Indonesia menggunakan metode

Self Organizing Map Neural Network (SOM-NN)

untuk membantu menganalisis berita dengan

mengelompokkan secara otomatis berita yang

memiliki kesamaan. Pada text clustering terdapat

suatu permasalahan yaitu adanya fitur-fitur yang

berdimensi tinggi sehingga menyebabkan waktu

komputasi menjadi besar. Metode Self Organizing

Map Neural Network (SOM-NN) dengan menerapkan

pembatasan wilayah pencarian dan reduksi dimensi

diharapkan dapat mengurangi waktu komputasi dalam

proses clustering. Salah satu keunggulan dari

algoritma Self Organizing Map adalah mampu untuk

memetakan data berdimensi tinggi ke dalam bentuk

peta berdimensi rendah.

5. “Perbandingan Metode K–

Means Dan Self Organizing

Map (Studi Kasus:

Pengelompokan

Kabupaten/Kota Di Jawa

Tengah Berdasarkan Indikator

Indeks Pembangunan

Manusia 2015)”. Kusumah

(2017).

Penelitian ini tentang pengelompokan wilayah di

kabupaten/kota di Jawa Tengah menggunakan

algoritme K-Means. Pada jenis kumpulan data

tertentu, K-Means tidak dapat melakukan segmentasi

data dengan baik di mana hasil segmentasinya tidak

dapat memberikan pola kelompok yang mewakili

karakteristik bentuk alami data. Kelemahan tersebut

diselesaikan oleh algoritme SOM yang mampu

menutupi kelemahan algoritme K-Means.

6. “Implementasi Algoritma Self

Organiizing Map (SOM)

untuk clustering mahasiswa

pada mata kuliah proyek

(Studi Kasus : JTK Polban)”,

Munawar, (2015).

Self Organizing Map (SOM) digunakan untuk

clustering mahasiswa pada matakuliah proyek, dan

mengevaluasi hasil clustering sistemnya. Parameter

yang diambil adalah nilai-nilai matakuliah di semester

berjalan. Metode untuk mengevaluasi hasil clusternya

menggunakan Mean Square Error (MSE). Metode

untuk mengevaluasi hasil cluster dengan MSE kurang

optimal.


71

7. “Clustering and Analyzing Air

Pollution Data using Self-

Organizing Maps”, Minji

Maria Lee, dkk (2016).

Penelitian ini mengambil sampel data dari periode

Januari 2003 hingga Desember 2008 dari situs web

Air Data Agency Perlindungan Lingkungan Amerika

Serikat (http://www.epa.gov/airdata) dan telah

diproses sebelumnya. Dalam penelitian ini

diungkapkan bahwa bagaimana kita dapat

mengungkap struktur laten dalam data besar dengan

ketergantungan spasial. Analisis terperinci dari hasil

SOM Spasial menunjukkan bahwa SOM adalah alat

yang efektif dalam mendeteksi cluster dengan

ketergantungan spasial dalam data.

KAJIAN TEORI

1. Data Mining

Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan

pengetahuan di dalam basis data. Data mining adalah proses yang menggunakan machine

learning, matematika, teknik statistik, kecerdasan buatan, untuk mengidentifikasi dan

mengekstraksi informasi dan pengetahuan yang bermanfaat terkait dari berbagai basis data

(Kusumah, 2015).

Seiring dengan meningkatnya pertumbuhan data dari tahun ketahun dalam ukuran

dan kompleksitas yang tinggi, maka diperlukan pencarian teknik-teknik yang efisien dan

efektif untuk pengolahan data tersebut. Data mining atau lebih dikenal juga dengan

sebutan Knowledge Discovery in Databases (KDD) memanfaatkan jumlah data yang

sangat besar untuk mendapatkan pengetahuan baru.

Gambar 2 Data mining dalam langkah-langkah KDD (Han, 2012 : 8)

2. Pengelompokan (Clustering)


72

Pengelompokan atau clustering adalah proses pengelompokan sekumpulan objek data

ke dalam beberapa cluster atau kelompok sehingga objek dalam sebuah cluster atau

kelompok memiliki kemiripan yang tinggi, tetapi sangat berbeda dengan objek di cluster

atau kelompok lain. Perbedaan dan kesamaan dinilai berdasarkan nilai atribut yang

menggambarkan objek dan sering melibatkan pengukuran jarak (Han et al., 2012, p. 443).

Clustering dalam dunia medis digunakan untuk mendefinisikan taxonomi dalam

bidang biologi, identifikasi fungsi protein dan gen, diagnosa penyakit dan penanganannya,

dan beberapa penelitian lain. Tujuan clustering dapat dibedakan menjadi dua yaitu

pengelompokan untuk pemahaman dan pengelompokan untuk penggunaan.

Proses clustering untuk tujuan pemahaman hanya sebagai proses awal untuk

kemudian dilanjutkan dengan pekerjaan summarization, pelabelan kelas untuk setiap

kelompok, sehingga dapat digunakan sebagai data training dalam klasifikasi supervised.

Sementara jika untuk penggunaan, tujuan utama clustering biasanya adalah mencari

prototipe kelompok yang paling representatif terhadap data, memberikan abstraksi dari

setiap obyek data dalam kelompok dimana sebuah data terletak didalamnya.

Clustering dapat dibedakan menurut struktur kelompok, keanggotaan data dalam

kelompok, dan kekompakan data dalam kelompok. Menurut struktur kelompok clustering

dibagi menjadi dua yaitu hierarchical dan partitioning. Hierarchical adalah metode

clustering mengelompokkan data dengan menggabungkan masing-masing record atau

individu pada data menjadi cluster-cluster, algoritme hirarkis menemukan cluster secara

berurutan dimana cluster ditetapkan sebelumnya. Metode ini dikelompokkan menjadi dua

metode yaitu agglomerative dan divisive. Clustering dengan pendekatan Partitioning atau

partisi merupakan pengelompokan data dari satu kelompok besar kemudian dibagi menjadi

beberapa kelompok yang lebih kecil. Algoritma partitional menentukan semua kelompok

pada waktu tertentu. Contoh metode clustering dengan pendekatan partisi adalah K-Means

Clustering. (Defiyanti, 2017).

Hierarchical dan partitioning clustering mengorganisasi data ke dalam struktur

hirarki berbasis matrix proximity, hasil dari Hierarcichal Clustering digambarkan dalam

bentuk binary tree ataupun dendogram, root merupakan keseluruhan dataset dan tiap

cabang merupakan data point, clustering akhir dapat diperoleh dari pemotongan

dendogram pada level-level yang sesuai.


73

Tujuan clustering adalah mengelompokkan obyek atas dasar karakteristik yang

dimiliki. Hasil cluster suatu obyek harus memiliki internal (within cluster) homogenitas

yang tinggi dan memiliki eksternal (between cluster) heterogenitas yang tinggi. Jika

pengelompokan berhasil, maka obyek dalam satu cluster akan saling dekat satu sama lain

jika diplot secara geometri dan cluster yang berbeda akan saling menjauh satu sama lain.

Konsep dasar pengukuran analisis cluster adalah konsep pengukuran jarak (distance) dan

kesamaan (similarity). Konsep pengukuran jarak adalah ukuran tentang jarak pisah antar

obyek, sedangkan konsep pengukuran kesamaan adalah berbicara tentang suatu ukuran

kedekatan (Muthiah, 2013).

Ada banyak ukuran jarak yang digunakan dalam analisis cluster. Dalam penelitian ini

ukuran jarak yang digunakan adalah jarak euclidean kuadrat. Jarak euclidean kuadrat

adalah jumlah kuadrat perbedaan atau deviasi di dalam nilai untuk setiap variabel.

(𝑖𝑗)=Σpk=1(𝑥𝑖𝑘−𝑥𝑗𝑘)2

dengan,

𝑑 (𝑖𝑗) = jarak antara objek i dan objek j

𝑥𝑖𝑘 = nilai objek i pada variabel ke k

𝑥𝑗𝑘 = nilai objek i pada variabel ke k

𝑝 = banyak variabel yang diamati

Kualitas hasil clustering sangat bergantung pada metode yang dipakai. Dalam

clustering dikenal empat tipe data. Keempat tipe data tersebut adalah variabel berskala

interval, variabel biner, variabel nominal, ordinal, dan rasio, serta variabel dengan tipe

lainnya. (Irwansyah, Edi., dkk, 2019)

Menurut keanggotaan data dalam kelompok, pengelompokan dibagi menjadi dua

yaitu ekslusif dan overlap/tumpang tindih. Dalam kategori ekslusif sebuah data hanya

menjadi anggota satu kelompok saja dan tidak bisa menjadi anggota kelompok lainnya.

Metode yang termasuk kategori ini adalah K-Means dan DBSCAN, Sedangkan yang

masuk kategori overlap adalah metode clustering yang membolehkan sebuah data menjadi

anggota di lebih dari satu kelompok, misalnya Fuzzy C-Means. Di samping pendekatan

hierarchical dan partitioning clustering, ada juga pengelompokan dengan pendekatan

automatic mapping yaitu Self Organizing Map atau biasa disingkat SOM.


74

METODOLOGI

Langkah - langkah penelitian yang dilakukan adalah sebagai berikut :

PEMBAHASAN

1. Tahapan Business Understanding

Pada tahapan Business Understanding, peneliti melakukan observasi langsung ke

Rumah Sakit Kelas C yang berlokasi di Indonesia. Melihat dan mengamati proses yang

berlangsung. Melakukan wawancara dengan bagian pendaftaran, administrasi dan petugas

rekam medis. Rumah Sakit Kelas C adalah rumah sakit dengan jumlah kunjungan pasien

Business

Understanding

Data

Understanding

Data Preparation

Modeling

Hasil dan

Pembahasan

Mulai

Identifikasi masalah dan pemahaman

tujuan dari segi bisnis dan penelitian

Evaluation

Selesai

Pengumpulan data, observasi dan

wawancara dengan petugas rekam medis

Persiapan data dengan membuang noise

data dan missing value pada database

Penentuan teknik data mining

clustering dengan algoritme SOM

pada RStudio

Penyesuaian model dengan

tujuan penelitian menggunakan

validasi clustering silhouette

Gambar 3. Metodologi Penelitian


75

yang padat. Berdasarkan hasil wawancara dengan petugas rekam medis bahwa kunjungan

yang paling banyak adalah dari pasien Asuransi. Alur proses pendaftaran sampai dengan

penentuan rawat jalan atau rawat pasien Asuransi ditunjukkan gambar 4

2. Pemahaman Data (Data understanding)

Pengumpulan data awal dilakukan dengan observasi dan wawancara dengan petugas

rekam medis Rumah Sakit Kelas C. Dari hasil observasi dan wawancara dengan petugas

rekam medis umum Rumah Sakit Kelas C didapatkan data pasien dalam bentuk 3 file excel

yaitu, data tahun 2016, data tahun 2017, dan data tahun 2018.

Gambar 5. Data Understanding

3. Persiapan Data (Data Preparation)

Pada tahap ini dilakukan proses menghilangkan dan meminimalisasi noise atau

mungkin kesalahan yang terdapat pada data. Noise yang ditemukan berupa data tidak

lengkap/kosong, data rangkap, dan data tidak konsisten (Ramadhani, 2015). Setelah data

dibersihkan, kemudian dilakukan perbaikan data dengan cara dihaluskan (smoothing).

a) Memilih Data (Select Data)

Data pasien BPJS Kesehatan dalam bentuk 3 file excel yaitu file tahun 2016, 2017

dan 2018 masih mentah sehingga harus menghilangkan dan meminimalisasi nilai null,

noise atau mungkin kesalahan yang terdapat pada data.

DB. Rekam

Medis Dokter DB. Rekam

Medis Umum

Pendaftaran

Poli / Klinik

Ruang Rawat Inap

Obat

DB.

Pendaftaran

2016

2016Pasie

n 2016,

2017,

2018

2017

2018

Gambar 4 Alur Proses Pemeriksaan Pasien BPJS

Kesehatan


76

Tabel 2. Memilih Data

Tipe pa Umur UMUR UMUR Kelamin kelamin Asal Pasien asal pasien

0,508 39 DEWASA 0,53593 LAKI-LAKI 0,476 Mediko

Legal

0,00009267

0,508 60 DEWASA 0,53593 LAKI-LAKI 0,476 Mediko

Legal

0,00009267

0,508 38 DEWASA 0,53593 PEREMPUAN 0,524 CEMPAKA 0,0104079



0,492 22 DEWASA 0,53593 PEREMPUAN 0,524 Poli Gigi 0,01398651

0,508 22 DEWASA 0,53593 LAKI-LAKI 0,476 Poli Gigi 0,01398651

0,508 37 DEWASA 0,53593 PEREMPUAN 0,524 Poli Gigi 0,01398651


0,492 89 TUA 0,38226 PEREMPUAN 0,524 CEMPAKA 0,0104079

b) Membersihkan Data (Cleaning Data)

Setelah tahapan seleksi data dan seleksi atribut selesai maka dilanjutkan ke tahapan

membersihkan data dan memperbaiki null dan missing value. Gambar 4.6 menunjukan

atribut yang masih mengandung missing value ataupun nilai null.

Tabel 3. Membersihkan Data

Jenis Kelamin Jenis Kelamin

LAKI-LAKI LAKI-LAKI

LAKI-LAKI LAKI-LAKI

WANITA PEREMPUAN

PEREMPUAN PEREMPUAN

PEREPUAN PEREMPUAN

PEREMPUAN PEREMPUAN

4. Hasil dan Pembahasan

Pada tahap ini akan menjelaskan hasil dan pembahasan dari proses visualisasi atribut

yang dihasilkan dari proses SOM heatmap dan proses clustering dengan menggunakan

algoritme Self Organizing Map (SOM).

a) Analisis Atribut yang berpengaruh terhadap Clustering Self Organizing Map (SOM)


77

Pada tahapan pemodelan atribut dengan visualisasi heatmap dapat

dibandingkan atribut mana yang memang berpengaruh terhadap atribut lain dilihat dari

perbandingan warna untuk area yang menarik dalam peta. Perbandingan atribut dapat

dilihat pada gambar 6.

Gambar 6. Analisis Perbandingan SOM

KESIMPULAN

Berdasarkan hasil analisis dan pembahasan yang telah dilakukan oleh peneliti pada bab

sebelumnya, maka didapatkan kesimpulan sebagai berikut:

a) Aribut yang berpengaruh dalam mengenali profil pasien Asuransi adalah dari atribut

bulan masuk, asal pasien, tipe pasien, umur, dan jenis kelamin.

b) Hasil pengelompokkan dengan algoritme Self Organizing Map (SOM) didapatkan 2

cluster yaitu cluster yang mewakili area padat dan cluster yang mewakili area tidak

padat. Karakteristik pada cluster 1 dengan kategori area padat adalah Pasien Asuransi

Rawat Inap dan Rawat Jalan dengan kunjungan pasien ke Klinik Penyakit Dalam, Klinik

Bedah, Hemodialisa, Klinik Mata, Ruang Melati, Bougenvil, Anggrek, Flamboyan, yang

berasal dari Kabupaten A, B, C, D, E, dengan rentang usia dewasa dan lanjut, merata

pada setiap bulan. Karakteristik pada cluster 2 dengan kategori area tidak padat adalah

Pasien Asuransi Rawat Inap dan Rawat Jalan dengan kunjungan pasien ke Klinik Anak,

Klinik Penyakit Kandungan dan Kebidanan, Klinik Gigi, klinik umum, klinik VCT,

Ruang Aster, Ruang Mawar, Ruang Soka, yang berasal dari Kabupaten F, G, H, I, J,

dengan rentang usia balita, anak-anak, dewasa, lanjut, pada bulan-bulan tertentu.


78

DAFTAR PUSTAKA Aggarwal, C. C., & Reddy, C. K. (2014). Data Clustering Algorithms and Applications. Taylor & Francis

Group, an Informa business.

Charu C. Anggarwal, C. K. R. (2014). Data Clustering: Algorithms and Applications.

Defiyanti, S. (2017). Integrasi Metode Clustering dan Klasifikasi untuk Data Numerik. Citee 2017, (July),

256–261

DP Silitonga, Parasian., dkk. 2016. Implementasi algoritma K-Means Clustering Pada Analisis

Penyebaran Penyakit Pasien Pengguna Badan Penyelenggara (BPJS) Kesehatan”. JTIUS, Volume

01 Nomor 02, Desember 2016, 2548-1916

Halim, Ninda Nurul., dkk. 2017. Clustering Dampak Gempa Bumi di Indonesia menggunakan Kohonen

Self Organizing Map. Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami).

Vol.1, No.1, Juli 2017, p-ISSN: 2580-4596; e-ISSN: 2580-460X

Kusumah, Rachmah Dewi., dkk. 2017. Perbandingan Metode K-Means Dan Self Organizing Map (Studi

Kasus: Pengelompokan Kabupaten/Kota Di Jawa Tengah Berdasarkan Indikator Indeks

Pembangunan Manusia 2015). Jurnal GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 429-

437.

Minji Maria Lee, dkk (2016). Clustering and Analyzing Air Pollution Data using Self-Organizing Maps.

AGILE 2016 – Helsinki, June 14-17, 2016.

Munawar, Ghifari. 2015. Implementasi Algoritma Self Organiizing Map (SOM) untuk clustering

mahasiswa pada mata kuliah proyek (Studi Kasus : JTK Polban). IRWNS 2015.

Murpratiwi, Santi Ika., dkk. Mapping Patterns Achievement Based on CRISP-DM and Self Organizing

Maps (SOM) Methods. International Journal of Engineering and Emerging Technology, Vol. 2, No. 1,

January-June 2017.

Murti, dkk. (2005). Clustering Data Non Numerik dengan pendekatan Algoritme K-Means dan Hamming

Distance”.

Muthiah. 2013. Algoritma Self Organizing Maps (SOM). Diunduh 17 Februari 2017.

Prasetyo, Eko. 2012. Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta.Andi Offset.

Shieh, S., & Liao, I. 2012. A New Approach for Data Clustering and Visualization Using Self Organizing

Map. Intenational Journal of Expert System With Application, 39

Documents

IMPLEMENTASI DATA MINING UNTUK MENGELOMPOKKAN …