KLASTERISASI KASUS AKTIF COVID-19 DI JAWA BARAT BERDASARKAN KABUPATEN/KOTA
MENGGUNAKAN K-MEDOIDS CLUSTER DENGAN DYNAMIC TIME WARPING
Anugrah Hidayat
2023-01-02
Pendahuluan
Provinsi Jawa Barat merupakan provinsi dengan kemunculan kasus pertama di Indonesia dan juga memiliki kasus positif tertinggi kedua di Indonesia. Banyaknya kota/kabupaten di Jawa Barat dapat menyulitkan pemerintah serta satuan tugas pengananan COVID-19 di tingkat provinsi dalam menangani kasus aktif COVID-19.
Perkembangan kasus aktif perlu dianalisis untuk setiap kota/kabupaten karena setiap kabupaten/kota memiliki karakteristik yang berbeda sehingga kabupaten/kota tersebut dikelompokkan berdasarkan karakteristik yang sama untuk mengetahui karakteristik fluktuasi kasus aktif pada setiap kota/kabupaten. Hal tersebut dapat mempermudah pemerintah dalam menangani kasus aktif COVID-19 berdasarkan karakteristiknya masing-masing.
Berdasarkan uraian tersebut maka diperlukan sebuah metode yang dapat mengelompokan kabupaten/kota di Jawa Barat, pada kasus ini akan dilakukan pengelompokan dengan analisis klaster menggunakan metode K-Medoids Clustering serta perhitungan jarak antar deret waktunya menggunakan Dynamic Time Warping (DTW) karena data yang digunakan merupakan deret waktu.
> Maksud dan Tujuan
Penelitian ini bertujuan untuk membantu mempercepat penangaman COVID-19 di Jawa Barat. Oleh karena maksud dari penelitian ini adalah melakukan pengelompokan kabupaten/kota di Jawa Barat berdasarkan kasus aktif dengan menggunakan jarak yang cocol pada data detet waktu. Sehingga dengan hasil pengelompokan tersebut dapat menjadi pertimbangan kinerja pemerintah dalam penanganan COVID-19 yang lebih efektif dan efisien.
> Benefit
- Hasil peng-klasteran dapat dijadikan sebagai rekomendasi untuk pemerintah dalam mengatasi penyebaran Covid-19.
> Batasan
- Menggunakan data sekunder kasus aktif COVID-19 yang diperoleh dari situs pikobar.jabarprov.go.id/
- Periode waktu dibatasi hingga analisis dilakukan yaitu dari tanggal 01 Januari 2022 hingga tanggal 30 September 2022.
Metode Penelitian
1. Data Penelitian
Data pada penelitian ini merupakan data Sekunder, yang berisikan informasi mengenai kasus aktif COVID-19 bulan 01 Januari 2022 hingga 30 September 2022 yang diperoleh dari situs pikobar.jabarprov.go.id/ yang diakses pada bulan Oktober 2022.
2. Analisis Klaster
Analisis klaster merupakan suatu teknik multivariat berupa pengelompokkan objek atau proses mempartisi menjadi kelompok-kelompok yang lebih kecil di mana setiap anggota kelompoknya memiliki kemiripan atau kedekatan. Jarak yang biasa digunakan untuk mengukur kemiripan antar objek dapat menggunakan jarak Euclidean. Definisi klaster yang baik adalah klaster yang memiliki homogenitas atau kesamaan yang tinggi antar anggotanya tetapi memiliki heterogenitas yang tinggi antar klaster yang satu dengan klaster yang lainnya. Terdapat dua metode dalam analisis klaster, yaitu hierarchial clustering dan non-hierarchial clustering.
Metode hierarki merupakan metode pengelompokkan data yang dimulai dengan mengelompokkan objek-objek yang memiliki kesamaan atau kemiripan paling dekat, kemudian dilanjutkan prosesnya ke objek lain yang memiliki kemiripan terdekat kedua, dan seterusnya. Hasil metode ini membentuk sebuah tingkatan atau hierarki seperti cabang yang berupa dendogram. Metode ini tidak dianjurkan untuk pengelompokkan jumlah observasi yang besar. Metode non-hierarki menjadi alternatif untuk pengaplikasian ke jumlah observasi yang besar. Metode ini sudah menentukkan banyak kelompok atau klaster terlebih dahulu sebelum dikelompokkan.
3. K-Medoids Clustering
K-medoids clustering atau sering disebut dengan metode PAM (Partitioning Around Medoid) merupakan salah satu metode pengelompokkan non-hierarki yang menggunakan suatu objek perwakilan sebagai pusat kelompok (medoid). Suatu medoid merupakan suatu objek di dalam klaster, dimana rata-rata jarak ketidakmiripan dengan objek lain pada klaster tersebut adalah paling kecil atau minimum. Teknik ini menghasilkan k klaster dari set data yang terdiri dari n objek, dengan jumlah klaster yang terbentuk ditentukan terlebih dahulu oleh peneliti. Metode k-medoids ini memiliki kelebihan, yaitu dapat menanggulangi permasalahan nilai outlier atau nilai yang sangat menyimpang dari distribusi data.
4. Jarak Dynamic Time Warping (DTW)
Data berfluktuasi dan bervariasi dari waktu ke waktu, sehingga metode pengklasteran tidak lagi dapat menggunakan jarak sederhana Euclidean untuk mengukur kedekatan antar objeknya. Jarak Euclidean ini cocok digunakan untuk fungsi data yang tidak berubah dari waktu ke waktu atau data statis. Sementara itu, dalam pembentukkan matriks kedekatan jarak antar objek pada data deret waktu juga dibutuhkan perhitungan jarak antar deret waktunya yang bersifat dinamis. Oleh karena itu, tindakan pengukuran alternatif yang dapat digunakan adalah Dynamic Time Warping (DTW).
Ukuran ini memungkinkan untuk melihat perbandingan antar waktu dengan berbagai panjang periode yang berbeda. DTW menggunakan teknik pemrogaman dinamis untuk menemukan semua jalur yang mungkin dan memilih salah satu jalur yang menghasilkan jarak minimum antara dua deret waktu, dimana jarak kumulatif setiap elemen matriks adalah nilai minimal dari tiga tetangga disekitarnya.
Matriks jarak memiliki ukuran m×n yang terbentuk dari dua data deret waktu, yaitu vektor A dengan m baris dan vektor B dengan n baris. Elemen-elemen dalam matriks jarak E adalah seluruh kemungkinan jarak antar kedua deret waktu yang kemudian akan dipilih nilai kumulatif minimum seperti pada persamaan 1.
\[ e_{ij}=d_{ij}+min[e_{(i-1)(j-1)},e_{i-1},e_{i(j-1)}] \]
dimana: \(d_{ij}\) = \((a_i-b_j)^2\) \(e_{ij}\) : elemen (i, j)
5. Penentuan Banyak Klaster
Cara menentukan banyak klaster dalam metode klaster non-hierarki adalah dengan menggunakan nilai Psuedo F. Nilai Pseudo F tertinggi menunjukkan jumlah klaster yang digunakan, dimana keragaman dalam kelompok sehomogen mungkin sedangkan keragaman antar kelompok seheterogen mungkin.
Pseudo F=((R2/(k-1)))/(((1-R2)/(n-k)) )
6. Flow Analisis
Berikut adalah langkah-langkah pengelompokkan dengan k-medoids clustering dengan jarak Dynamic Time Warping. - Menentukkan pusat klaster atau medoid sebanyak k atau jumlah klaster. Pada penelitian ini, banyak klaster ditentukan berdasarkan nilai Pseudo-F yang optimum. - Menentukkan jarak DTW antara setiap objek dengan medoidnya. - Alokasikan objek ke klaster terdekat sesuai dengan jarak DTW terkecil. - Pilih acak salah satu objek pada masing-masing klaster sebagai kandidat medoid yang baru. - Hitung kembali jarak DTW antara setiap objek pada masing-masing klaster dengan medoid baru. - Menghitung simpangan (S) dengan menghitung total jarak baru – total jarak lama. Jika nilai S < 0 maka medoid sebelumnya diganti dengan medoid baru. - Ulangi langkah-langkah sebelumnya sampai didapatkan hasil akhir dari setiap klaster lengkap dengan anggotanya.
Analyst
Data Wrangling dan Eksplorasi Data
1. Import Library
#Library DTW
library(dtw)
library(clusterSim)
library(cluster)
library(fpc)
library(tidyverse)
library(factoextra)
library(dendextend)
library(kmed)
library(sf) # Read data map
library(plotly) # Interactive Plotting
library(lubridate)2. Read Data
Data pada penelitian ini merupakan data Sekunder, yang berisikan informasi mengenai kasus aktif COVID-19 bulan 01 Januari 2022 hingga 30 September 2022 yang diperoleh dari situs pikobar.jabarprov.go.id/ yang diakses pada bulan Oktober 2022.
dataku <- read.csv("data_input/covid2022_per1000penduduk.csv", header=T, sep=",") #input
attach(dataku)
head(dataku)dataku <- dataku %>%
mutate(tanggal = as.Date(tanggal))
str(dataku)## 'data.frame': 273 obs. of 28 variables:
## $ tanggal : Date, format: "2022-01-01" "2022-01-02" ...
## $ Bandung : num 0.00633 0.00633 0.0055 0.00578 0.0044 ...
## $ Bandung.Barat : num 0.00281 0.00168 0.00112 0.00112 0.00112 ...
## $ Bekasi : num 0.00629 0.00728 0.00695 0.00662 0.00827 ...
## $ Bogor : num 0.00563 0.00469 0.00469 0.00469 0.00451 ...
## $ Ciamis : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Cianjur : num 0.00041 0.00041 0.00041 0.00041 0 ...
## $ Cirebon : num 0.01564 0.00677 0.00592 0.00381 0.00423 ...
## $ Garut : num 0.00228 0.00228 0.00228 0.00304 0.00342 ...
## $ Indramayu : num 0.00106 0.00106 0.00106 0.00159 0.00212 ...
## $ Karawang : num 0.00208 0.00208 0.00249 0.00374 0.00415 ...
## $ Kuningan : num 0.00167 0.00167 0.00167 0.00167 0.00167 ...
## $ Majalengka : num 0.00529 0.00529 0.00453 0.00453 0.00453 ...
## $ Pangandaran : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Purwakarta : num 0 0 0 0 0.000999 ...
## $ Subang : num 0.000626 0.000626 0.000626 0.000626 0.000626 ...
## $ Sukabumi : num 0.00185 0.00185 0.00185 0.00185 0.00185 ...
## $ Sumedang : num 0.00515 0.00429 0.00515 0.00515 0.00429 ...
## $ Tasikmalaya : num 0.00214 0.00214 0.00214 0.0075 0.0075 ...
## $ Kota.Bandung : num 0.0229 0.0237 0.0237 0.021 0.0214 ...
## $ Kota.Banjar : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Kota.Bekasi : num 0.0077 0.00648 0.00527 0.00608 0.00486 ...
## $ Kota.Bogor : num 0.0403 0.0412 0.0421 0.0421 0.0403 ...
## $ Kota.Cimahi : num 0.371 0.371 0.373 0.373 0.373 ...
## $ Kota.Cirebon : num 0.0727 0.0757 0.0757 0.0757 0.0757 ...
## $ Kota.Depok : num 0.00951 0.00951 0.01004 0.01162 0.01215 ...
## $ Kota.Sukabumi : num 0.00283 0.00283 0.00283 0.00283 0.00283 ...
## $ Kota.Tasikmalaya: num 0.00683 0.00683 0.0082 0.0082 0.0041 ...Definisi Variabel:
tanggal: keterangan waktu dari 01 Januari 2022 hingga 30 September 2022.- kolom selain
tanggalmerupakan kasus aktif COVID-19 per1000 penduduk di masing-masing kabupaten/kota (nama kolom merupakan nama kabupaten/kota)
Kasus aktif sendiri dihitung dengan perhitungan sebagai berikut : \[ aktif = positif − sembuh − meninggal \]
summary(dataku)## tanggal Bandung Bandung.Barat Bekasi
## Min. :2022-01-01 Min. :0.004404 Min. :0.001123 Min. :0.002316
## 1st Qu.:2022-03-10 1st Qu.:0.024495 1st Qu.:0.015724 1st Qu.:0.014225
## Median :2022-05-17 Median :0.090548 Median :0.062333 Median :0.087337
## Mean :2022-05-17 Mean :0.368814 Mean :0.254171 Mean :0.484538
## 3rd Qu.:2022-07-24 3rd Qu.:0.272469 3rd Qu.:0.142074 3rd Qu.:0.262341
## Max. :2022-09-30 Max. :3.326878 Max. :2.284409 Max. :5.269971
## Bogor Ciamis Cianjur Cirebon
## Min. :0.001502 Min. :0.0000000 Min. :-0.001641 Min. :0.0004228
## 1st Qu.:0.015581 1st Qu.:0.0007916 1st Qu.: 0.001231 1st Qu.:0.0038054
## Median :0.072459 Median :0.0055415 Median : 0.006973 Median :0.0169130
## Mean :0.503835 Mean :0.1348806 Mean : 0.040396 Mean :0.1105802
## 3rd Qu.:0.219255 3rd Qu.:0.3150733 3rd Qu.: 0.022971 3rd Qu.:0.0372085
## Max. :3.911299 Max. :0.6261885 Max. : 0.468038 Max. :1.1560019
## Garut Indramayu Karawang Kuningan
## Min. :0.001522 Min. :0.000000 Min. :0.002077 Min. :0.000000
## 1st Qu.:0.004184 1st Qu.:0.003713 1st Qu.:0.014957 1st Qu.:0.005005
## Median :0.017119 Median :0.019096 Median :0.044456 Median :0.024191
## Mean :0.126500 Mean :0.201812 Mean :0.380041 Mean :0.116299
## 3rd Qu.:0.035378 3rd Qu.:0.281672 3rd Qu.:0.111347 3rd Qu.:0.041708
## Max. :1.169388 Max. :1.479971 Max. :3.246506 Max. :1.139460
## Majalengka Pangandaran Purwakarta Subang
## Min. :0.0007554 Min. :0.000000 Min. :0.000000 Min. :0.000000
## 1st Qu.:0.0037769 1st Qu.:0.002312 1st Qu.:0.002996 1st Qu.:0.005012
## Median :0.0067983 Median :0.004623 Median :0.010985 Median :0.035710
## Mean :0.0843248 Mean :0.071668 Mean :0.108115 Mean :0.174788
## 3rd Qu.:0.0287041 3rd Qu.:0.027739 3rd Qu.:0.024967 3rd Qu.:0.124673
## Max. :0.7734992 Max. :0.649562 Max. :1.247331 Max. :1.462868
## Sukabumi Sumedang Tasikmalaya Kota.Bandung
## Min. :0.0003691 Min. :0.0008583 Min. :0.0005359 Min. : 0.01345
## 1st Qu.:0.0047989 1st Qu.:0.0111583 1st Qu.:0.0032156 1st Qu.: 0.07674
## Median :0.0188264 Median :0.0420584 Median :0.0101828 Median : 0.36790
## Mean :0.0863244 Mean :0.2394722 Mean :0.1873554 Mean : 1.13720
## 3rd Qu.:0.0332230 3rd Qu.:0.1098668 3rd Qu.:0.0214374 3rd Qu.: 0.78881
## Max. :0.7648675 Max. :1.9887610 Max. :1.2669503 Max. :10.00532
## Kota.Banjar Kota.Bekasi Kota.Bogor Kota.Cimahi
## Min. :0.000000 Min. : 0.004861 Min. : 0.01008 Min. : 0.01962
## 1st Qu.:0.004861 1st Qu.: 0.080212 1st Qu.: 0.07788 1st Qu.: 0.11413
## Median :0.009721 Median : 0.362576 Median : 0.46729 Median : 0.54214
## Mean :0.324936 Mean : 1.683229 Mean : 1.58407 Mean : 3.44248
## 3rd Qu.:0.082632 3rd Qu.: 1.020074 3rd Qu.: 1.00513 3rd Qu.: 3.19931
## Max. :3.096261 Max. :14.641589 Max. :10.99967 Max. :16.39958
## Kota.Cirebon Kota.Depok Kota.Sukabumi Kota.Tasikmalaya
## Min. :0.00000 Min. : 0.009507 Min. :0.000000 Min. :0.001367
## 1st Qu.:0.03783 1st Qu.: 0.179579 1st Qu.:0.008483 1st Qu.:0.041006
## Median :0.15422 Median : 1.250184 Median :0.045245 Median :0.106615
## Mean :1.48212 Mean : 3.368084 Mean :0.450595 Mean :0.566064
## 3rd Qu.:2.08632 3rd Qu.: 3.724672 3rd Qu.:0.118768 3rd Qu.:0.537174
## Max. :7.63821 Max. :24.239947 Max. :5.225786 Max. :5.010894Insight : * Dari seluruh kabupaten/kota di Jawa Barat hampir seluruhnya memiliki median masih diangka 0 kecuali Kota Depok di angka 1, yang artinya perkembangan COVID-19 di Indonesia sudah sangat menurun dan membaik. * Kota Bandung, Kota Bekasi, Kota Bogor, Kota Cimahi, dan Kota Depok masih sempat mengalami kenaikan kasus aktif COVID-19 sebanyak 10 atau diatas 10 per 1000 penduduk. * Kasus di Kota cenderung lebih banyak dibandingkan kasus di Kabupaten.
Analisis Klaster Data Deret Waktu
Analisis klaster merupakan teknik dalam menemukan kelompok dalam kumpulan data dengan tujuan data yang berada pada satu kelompok mempunyai kemiripan yang dekat, dan memiliki perbedaan yang jelas dengan kelompok yang lain (Kauffman dan Rousseuw, 1990). Pengelompokan dilakukan atas dasar jarak kesamaan (similarities) atau ketidaksamaan (dissimilarities). Pengelompokan dapat menyediakan sarana informal untuk menilai dimensi, mengidentifikasi outlier, dan menyarankan hipotesis yang menarik mengenai hubungan (Johnson dan Wichern, 2007). Salah satu jarak yang sering digunakan dalam metode non-hirarki clustering yaitu jarak Euclidean. Meskipun jarak Euclidean populer dan sederhana, jarak tersebut tidak cocok untuk data rangkaian waktu karena jaraknya antara dua urutan dihitung dalam satu ke satu cara. Akibatnya, jarak Euclidean tidak berkelompok dengan baik karena pergeseran waktu di antara data sekuensial pada kelas yang sama (Niennattrakul dan Ratanamahatana, 2007). Jarak yang dapat digunakan untuk mengukur kedekatan dua deret waktu diantaranya yaitu jarak Dynamic Time Warping.
1. Dynamic Time Warping (DTW)
Pertama kali diperkenalkan pada tahun 60-an dan dieksplorasi secara ekstensif pada tahun 70-an dengan aplikasi untuk pengenalan ucapan, saat ini digunakan dengan banyak kegunaan seperti pengelompokan data deret waktu (Pavel, 2008). Algoritma Dynamic Time Warping (DTW) adalah teknik pemrograman dinamis untuk menemukan semua jalur yang mungkin, dan memilih salah satu yang menghasilkan jarak minimum antara dua deret waktu menggunakan matriks jarak, masing-masing elemen dalam matriks adalah jarak kumulatif nilai minimal dari tiga tetangga sekitarnya (Niennattrakul dan Ratanamahatana, 2007). Pada data deret waktu, dynamic time warping dapat membandingkan satu periode di suatu objek dengan beberapa periode di objek lainnya. Pada data perkembangan kasus aktif COVID-19 di Jawa Barat, terdapat data deret waktu yang terbagi sebanyak 27 Kota/Kabupaten yang akan ditentukan jarak minimum deret waktu antar kota/kabupaten. Algoritma dynamic time warping dapat digunakan untuk menentukan jarak dari dua deret waktu yang akan memudahkan dalam pengerjaannya serta efisien dalam segi waktu.
date <- dataku[,1]
data <- dataku[,2:28]
transpose_data <- data.frame(t(data))
colnames(transpose_data) <- date
dtw <- dist(transpose_data,method="DTW")
dtw <-as.matrix(dtw)2. Penentuan Banyak Klaster
#pseudo F
a<-fastkmed(dtw,2)
b<-fastkmed(dtw,3)
c<-fastkmed(dtw,4)
d<-fastkmed(dtw,5)index.G1(dtw,a$cluster)## [1] 49.90696index.G1(dtw,b$cluster)## [1] 28.73752index.G1(dtw,c$cluster)## [1] 19.47624index.G1(dtw,d$cluster)## [1] 14.045312. K-Medoid Clustering
K-Medoids clustering atau Partitioning Around Medoids (PAM) adalah algoritma clustering yang mirip dengan K-Means. Algoritma yang digunakan dalam program PAM didasarkan pada pencarian objek perwakilan k di antara objek kumpulan data. Seperti yang dibangkitkan oleh nama mereka, benda-benda ini harus mewakili berbagai aspek struktur data. Pada analisis klaster objek perwakilan tersebut sering disebut tipe centroid. Pada algoritma K-Medoids, objek perwakilan disebut juga medoid dari kelompok (Kaufman dan Rousseeuw, 1987). K-Medoids memiliki kelebihan untuk mengatasi kelemahan pada pada algoritma K-Means yang sensitive terhadap noise dan outlier, yaitu dapat mengatasi objek dengan nilai yang sangat besar yang memungkinkan menyimpang pada dari distribusi data. Menurut Kauffman (1990), metode ini dapat dipilih karena lebih robust dari kebanyakan metode non hirarki clustering berdasarkan nilai minimum SSE-nya. Ketidaksamaan maksimal yang digunakan dalam metode k-center bahkan kurang kuat jika dibandingkan dengan K-Medoids. Maka metode K-Medoids akan digunakan pada penelitian ini dikarenakan kelebihannya dalam pengelompokan data.
hasil <- fastkmed(dtw,3)
hasil## $cluster
## Bandung Bandung.Barat Bekasi Bogor
## 2 1 2 2
## Ciamis Cianjur Cirebon Garut
## 1 1 1 1
## Indramayu Karawang Kuningan Majalengka
## 1 2 1 1
## Pangandaran Purwakarta Subang Sukabumi
## 1 1 1 1
## Sumedang Tasikmalaya Kota.Bandung Kota.Banjar
## 1 1 3 2
## Kota.Bekasi Kota.Bogor Kota.Cimahi Kota.Cirebon
## 3 3 3 2
## Kota.Depok Kota.Sukabumi Kota.Tasikmalaya
## 3 2 2
##
## $medoid
## [1] 14 26 21
##
## $minimum_distance
## [1] 919.0187Dari hasil diatas didapatkan bahwa jumlah kabupaten/kota di tiap klaster masing-masing adalah 14, 8, dan 5.
final <- data.frame(transpose_data[,-(1:273)], hasil$cluster)
final_df <- cbind(kab_kot = rownames(final), final)
rownames(final_df) <- 1:nrow(final_df)
final_dfInsight :
Klaster 1 berjumlah 14, yaitu: Bandung Barat, Ciamis, Cianjur, Cirebon, Garut, Indramayu, Kuningan, Majalengka, Pangandaran, Purwakarta, Subang, Sukabumi, Sumedang, dan Tasikmalaya.
Klaster 2 berjumlah 8, yaitu: Bandung, Bekasi, Bogor, Karawang, Kota Banjar, Kota Cirebon, Kota Sukabumi, dan Kota Tasikmalaya.
Klaster 3 berjumlah 5, yaitu: Kota Bandung, Kota Bekasi, Kota Bogor, Kota Cimahi, dan Kota Depok.
library(TSstudio)## Warning: package 'TSstudio' was built under R version 4.2.2cluster_1 <- dataku %>%
select(tanggal, Bandung.Barat, Ciamis, Cianjur, Cirebon, Garut, Indramayu, Kuningan, Majalengka, Pangandaran, Purwakarta, Subang, Sukabumi, Sumedang, Tasikmalaya)
cluster_2 <- dataku %>%
select(tanggal, Bandung, Bekasi, Bogor, Karawang, Kota.Banjar, Kota.Cirebon, Kota.Sukabumi, Kota.Tasikmalaya)
cluster_3 <- dataku %>%
select(tanggal, Kota.Bandung, Kota.Bekasi, Kota.Bogor, Kota.Cimahi, Kota.Depok)ts_plot(cluster_1)Insight:
- Dari hasil plot yang ada dapat diketahui bahwa kabupaten/kota yang ada di kalster 1 memiliki lonjakan kasus covid-19 di bulan February-May dan bulan Agustus-September, dengan lonjakan kasus tertinggi di bulan Maret dengan jumlah kasus tertingginya 2-3 orang per1000 penduduk dalam 1 hari. (Kasus Aktif Tertinggi <= 3 orang)
ts_plot(cluster_2)Insight:
- Dari hasil plot yang ada dapat diketahui bahwa kabupaten/kota yang ada di kalster 2 memiliki lonjakan kasus covid-19 di bulan February-May dan bulan Agustus-September, dengan lonjakan kasus tertinggi di bulan Maret dengan jumlah kasus tertingginya 7-8 orang per1000 penduduk dalam 1 hari. (Kasus Aktif Tertinggi berada di antara 3 hingga 8 orang)
ts_plot(cluster_3)Insight:
- Dari hasil plot yang ada dapat diketahui bahwa kabupaten/kota yang ada di klaster 3 memiliki lonjakan kasus covid-19 di bulan February-May dan bulan Agustus-September, dengan lonjakan kasus tertinggi di bulan Maret dengan jumlah kasus tertingginya 24-25 orang per1000 penduduk dalam 1 hari. (Kasus Aktif Tertinggi => 10 orang)
Peta Penglasteran di Jawa Barat
jabar <- st_read("data_input/JABAR.shp")## Reading layer `JABAR' from data source
## `E:\S44 Anugrah H\0. Job\Algoritma Data Science School\Project\Project 3 ver3\data_input\JABAR.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 27 features and 17 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 106.3705 ymin: -7.823398 xmax: 108.8338 ymax: -5.91377
## CRS: NAjabarfinal_df <- final_df %>%
select(Wilayah = kab_kot, cluster = hasil.cluster) %>%
mutate(Wilayah = str_replace(Wilayah, "\\.", " "))
final_dfjabar$KABKOT <- str_to_title(jabar$KABKOT)
coordinat <- jabar %>%
select(Wilayah = KABKOT, x, y)data_join <- coordinat %>%
left_join(y = final_df, key = "Wilayah")## Joining, by = "Wilayah"Pemetaan Provinsi berdasarkan hasil clustering
map_jabar <- ggplot(data = data_join, aes(text = paste0('Wilayah: ', Wilayah))) +
geom_sf(aes(fill=cluster)) +
scale_fill_gradient2(low = "green", high = "red", mid = "yellow", midpoint = 2) +
geom_text(data = data_join, aes(x,y, label = Wilayah), size = 3, fontface = "bold", col = "navy") +
theme_void() +
labs(title = "Pemetaan Kasus Covid-19 Kabupaten Kota di Jawa Barat",
subtitle = "Menggunakan K-Medoid Cluster dengan Data Time Wrapping",
caption = "Update: Kasus Covid-19 bulan September") +
theme(plot.title = element_text(hjust = 0.5), plot.subtitle = element_text(hjust = 0.5))
map_jabar
Insight :
Berdasarkan hasil persebaran diatas dapat diketahui bahwa :
Untuk tiap klaster dapat dikatakan anggota-nya menyebar, atau efek pengaruh wilayah terdekat tidak begitu berdampak.
Daerah perkotaan cenderung memiliki resiko lebih tinggi daripada daerah kabupaten, ditandai dengan jumlah kasusnya yang lebih banyak.
Kesimpulan
Dari hasil analisis dan pembahasan yang telah diuraikan sebelumnya, maka diperoleh kesimpulan sebagai berikut :
Berdasarkan nilai Pseudo-F diperoleh jumlah klaster optimal untuk kasus ini adalah sebanyak 2, namun dikarenakan ingin mendapatkan data lebih detail akan dipilih k = 3, karena nilai Pseudo-F nya merupakan tertinggi kedua.
Berdasarkan jumlah k tersebut, maka peng-klasteran dibuat kedalam 3 klaster. Hasil peng-klasteran menunjukan bahwa terdapat 14 kabupaten/kota pada klaster satu, 8 kabupaten/kota pada klaster dua, dan 5 kabupaten/kota pada klaster tiga. Rincian dari ke lima klaster adalah pada berikut :
Klaster 1, yaitu Bandung Barat, Ciamis, Cianjur, Cirebon, Garut, Indramayu, Kuningan, Majalengka, Pangandaran, Purwakarta, Subang, Sukabumi, Sumedang, dan Tasikmalaya, memiliki lonjakan kasus covid-19 di bulan February-May dan bulan Agustus-September, dengan lonjakan kasus tertinggi di bulan Maret dengan jumlah kasus tertingginya 2-3 orang per1000 penduduk dalam 1 hari. (Kasus Aktif Tertinggi <= 3 orang)
Klaster 2, yaitu Bandung, Bekasi, Bogor, Karawang, Kota Banjar, Kota Cirebon, Kota Sukabumi, dan Kota Tasikmalaya, memiliki lonjakan kasus covid-19 di bulan February-May dan bulan Agustus-September, dengan lonjakan kasus tertinggi di bulan Maret dengan jumlah kasus tertingginya 7-8 orang per1000 penduduk dalam 1 hari. (Kasus Aktif Tertinggi berada di antara 3 hingga 8 orang)
Klaster 3, yaitu Kota Bandung, Kota Bekasi, Kota Bogor, Kota Cimahi, dan Kota Depok, memiliki lonjakan kasus covid-19 di bulan February-May dan bulan Agustus-September, dengan lonjakan kasus tertinggi di bulan Maret dengan jumlah kasus tertingginya 24-25 orang per1000 penduduk dalam 1 hari. (Kasus Aktif Tertinggi => 10 orang)
Kasus Covid-19 cenderung lebih banyak terjadi di daerak perkotaan, hal ini mungkin disebabkan oleh kecilnya luas wilayah kota jika dibandingkan luas kabupaten sedangkan jumlah penduduk dikota bisa jadi lebih banyak dibandingkan jumlah penduduk dikabupaten.