Penerapan Algoritma K-Means untuk Identifikasi Pola Spasial Insidensi Demam Berdarah Dengue: Studi Kasus Kota Semarang
DOI:
https://doi.org/10.26418/jp.v11i3.101302Keywords:
Demam Berdarah Dengue, K-Means Clustering, Analisis Spasial, Kota Semarang, EpidemiologiAbstract
Demam Berdarah Dengue (DBD) merupakan ancaman kesehatan masyarakat yang signifikan di wilayah tropis, termasuk Kota Semarang, Jawa Tengah, Indonesia, dengan tingkat heterogenitas spasial insidensi yang bervariasi antar kecamatan. Penelitian ini bertujuan untuk mengidentifikasi pola spasial insidensi DBD melalui pendekatan pembelajaran tanpa pengawasan (unsupervised learning) menggunakan algoritma K-Means clustering. Data epidemiologis yang bersifat komprehensif pada periode 2020–2024, mencakup variabel jumlah populasi, kasus terkonfirmasi, dan fatalitas, diekstraksi dari sistem informasi publik TUNGGAL DARA yang dikelola oleh Dinas Kesehatan Kota Semarang. Metodologi yang diterapkan meliputi pra-pemrosesan data, penentuan jumlah klaster optimal dengan metode Elbow dan Silhouette Score, serta validasi menggunakan statistik nonparametrik dengan uji Kruskal-Wallis. Hasil klasterisasi menunjukkan lima kelompok wilayah dengan karakteristik epidemiologis yang berbeda. Temuan penting mengindikasikan bahwa zona dengan kepadatan populasi rendah secara proporsional menanggung rasio morbiditas dan mortalitas yang lebih tinggi. Pendekatan ini terbukti efisien dalam mereduksi dimensi data epidemiologis menjadi pola spasial yang informatif dan mudah diinterpretasikan. Penelitian ini berkontribusi pada pengembangan pemetaan risiko DBD yang lebih adaptif dan berbasis data serta menyediakan landasan strategis yang kuat bagi intervensi kesehatan masyarakat yang lebih terarah dan tepat sasaran, khususnya dalam konteks studi kasus Kota Semarang.References
G. Ufthoni, B. Widjanarko, A. Kartini, T. Joko, M. Abdul Hakam, and H. E. Surani Putro, “Edukasi Pencegahan Penyakit Demam Berdarah Dengue,” J. Pengabdi. Kesehat., vol. 5, no. 2, pp. 121–129, 2022.
D. I. Puskesmas and K. Bandar, “Pendidikan kesehatan demam berdarah dengue (dbd) di puskesmas kedaton bandar lampung,” vol. 2, no. 2, pp. 49–53, 2021.
T. S. H. H. ; Y. A. I. E. V. M. M. Hafid, “Deteksi Dini Demam Berdarah Dengue (DBD) dan Pengendaliannya di Indonesia Tahun 2023,” 2023.
F. Shahab and F. K. Sofia, “Surveilans dan Upaya Pengendalian Demam Berdarah Dengue di Kota Semarang Melalui Sistem Integrasi Tunggal Dara di Puskesmas Gunungpati,” no. 22.
A. Fithriyyah, T. Purwaningsih, S. Konate, M. Adam, and A. Abdalla, “Mapping dengue vulnerability : spatial cluster analysis reveals patterns in Central Java , Indonesia,” vol. 4, no. 2, pp. 109–122, 2023.
W. Java, I. Saiful, N. Nuraini, R. Wahyudyah, S. Ayu, and B. Wiem, “Heliyon Temporal trend and spatial clustering of the dengue fever prevalence in,” Heliyon, vol. 8, no. April 2021, p. e10350, 2022, doi: 10.1016/j.heliyon.2022.e10350.
J. Kim, “Effects of Combined Creatine and Sodium Bicarbonate Supplementation on Soccer-Specific Performance in Elite Soccer Players : A Randomized Controlled Trial,” 2021.
P. Dubey and A. Rajavat, “Effective K-means clustering algorithm for efficient data mining,” in 2023 2nd International Conference on Vision Towards Emerging Trends in Communication and Networking Technologies (ViTECoN), May 2023, pp. 1–6. doi: 10.1109/ViTECoN58111.2023.10157179.
Juvair Hossan; Shahreen Hasan; Muhammad Mainuddin Patwary; Mondira Bardhan; Sardar Al Imran; Alfonso J. Rodriguez-Morales, “Mapping hotspots and cluster analysis of the current dengue outbreak in Bangladesh,” New Microbes New Infect., vol. 55, p. 101190, 2023, doi: 10.1016/j.nmni.2023.101190.
T. T. Le et al., “Space-time scanning statistics in the prediction and evaluation of dengue epidemic clusters,” IJID Reg., vol. 13, no. May, p. 100441, 2024, doi: 10.1016/j.ijregi.2024.100441.
S. M. Dufault et al., “Disruption of spatiotemporal clustering in dengue cases by w Mel Wolbachia in Yogyakarta , Indonesia,” pp. 1–14.
S. Sangkaew, L. K. Tan, L. C. Ng, N. M. Ferguson, and I. Dorigatti, “Using cluster analysis to reconstruct dengue exposure patterns from cross ‑ sectional serological studies in Singapore,” Parasit. Vectors, pp. 1–10, 2020, doi: 10.1186/s13071-020-3898-5.
D. Arizki, D. Arman, and I. G. Susrama, “Comparison of Elbow and Silhouette Methods in Optimizing K-Prototype Clustering for Customer Transactions,” vol. 12, no. 1, pp. 43–48, 2025.
R. Indawati and M. B. Qomaruddin, “Journal of Family Medicine & Healthcare Machine Learning in Public Health : Cluster Analysis of Dengue Fever Periode 2012-2020 in Indonesia,” vol. 4, no. 1, 2025.
P. Nayak, P. P. Nayak, J. P. B, and S. Govindan, “Leveraging geographic information system for dengue surveillance : a scoping review,” 2025.
Y. Koesmaryono, A. Sopaheluwakan, R. Hidayati, and B. D. Dasanto, “Spatiotemporal Characterization of Dengue Incidence and Its,” 2024.
