| dc.identifier.citation | Agrawal, A. & Gupta, H., 2013. Global K-Means (GKM) Clustering Algorithm: A Survey. International Journal of Computer Applications, LIX(2), pp.20-24. Bangoria, B., Mankad, N. & Pambhar, V., 2013. A Survey on Efficient Enhanced K-Means Clustering Algorithm. International Journal for Scientific Research & Development, I(9), pp.1698-700. Budi, Purbayu Santosa dan Ashari.2005.Analisis Statistik dengan Microsoft Axcel& SPSS.Yogyakarta :Andi Offset. Chaturved, E.N. & Rajavat, E.A., 2013. An Improvement in K-mean Clustering Algorithm Using Better Time and Accuracy. International Journal of Programming Languages and Applications, III(4), pp.13-19. Depkes RI.2017. Profil Kesehatan Indonesia Tahun 2016. www.depkes.go.id Eltibi, M.F. & Ashour, W.M., 2011. Initializing K-Means Clustering Algorithm using Statistical Information. K-means clustering algorithm is one of the best known, XXIX(7), pp.51-55. Gujarati, Damodar (1995). Basic Econometrics. (3rd editon ed) New York:Mc- Graw Hill.Inc. Hastuti, Tiara, dkk (2015). “Analisis Spasial, Korelasi dann Tren Kasus TB paru BTA positif menggunakan Web sistem Informasi Geografis di kota kendari tahun 2013-2015” vol 1, No 3 (2016), JIMKESMAS Jurnal Ilmiah Mahasiswa Kesehatan Masyarakat, Fakultas Kesehatan Masyarakat Universitas Halu Oleo. HUNG, C.M., WU, J., CHANG, J.H. & YANG, D.L., 2005. An Efficient k-Means Clustering Algorithm Using Simple Partitioning. JOURNAL OF INFORMATION SCIENCE AND ENGINEERING, XXI(1), pp.1157-77. Ifadah, Ana. 2011. Analisis Metode Principal Component Analysis (Komponen Utama) Dan Regresi Ridge dalam Mengatasi Dampak Multikolinearitas Dalam Analisis Regresi Linear Berganda. Skripsi. Jurusan Matematika, Fakultas Matematika Dan Ilmu Pengetahuan Alam. Universitas Negeri Semarang. Madhulatha, T. S. (2012). An Overview on Clustering Methods. IOSR Journal of Engineering, 2(4). Santosa , P.B., dan Ashari. (2005). Analisis Statistik Dengan Microsoft Excel dan SPSS. Yogyakarta: ANDI. Saranya & Punithavalli, 2011. An Efficient Centroid Selection Algorithm for Kmeans Clustering. International Journal of Management, IT and Engineering, I(3), pp.130-40. | id_ID |
| dc.description.abstract | Tujuan dari penelitian ini yaitu untuk mengetahui gambaran umum TB Paru, mengetahui
pengelompokkan TB Paru dan karakteristik sebaran TB Paru menurut Persentase Jumlah Kasus,
Persentase Penderita Sembuh, Persentase Jumlah Penduduk dan Provinsi di Indonesia tahun 2016.
Alat yang digunakan dalam penelitian ini menggunakan cluster K-Means. Berdasarkan penelitian
menggunakan software R diperoleh 4 kelompok yang mempunyai karakteristik mirip berdasarkan
provinsi di Indonesia. Kelompok 1 mempunyai karakteristik provinsi-provinsi dengan persentase
kesembuhan penderita TB paru terbanyak kedua, persentase jumlah kasus yang paling sedikit dan
persentase yang paling banyak. Kemudian kelompok 2 mempunyai karakteristik provinsi-provinsi
dengan persentase kesembuhanpenderita TB pparu terkecil kedu, persentase kasus yang lumayan
banyak dan persentase jumlah penduduk yang lumayan sedikit. Selanjutnya kelompok 3 dengan
karakteristik provinsi-provinsi dengan persentase kesembuhan penderita TB paru terbesar,
persentase jumlah kasus yang kecil dan persentase jumlah penduduk yang banyak. Kemudiann
kelompok terakhir provinsi-provinsi dengan persentase kesembuhan penderita TB paru terkecil,
persentase jumlah kasus yang banyak dan persentase jumlah penduduk yang kecil yaitu dibawah
2%. | id_ID |
