Article Per Year (5 Year)
p-Index From 2020 - 2025
0
P-Index
This Author published in this journals
All Journal KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer)
Sadewo, Mhd Gading
STMIK Budi Darma
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PENERAPAN ALGORITMA CLUSTERING DALAM MENGELOMPOKKAN BANYAKNYA DESA/KELURAHAN MENURUT UPAYA ANTISIPASI/ MITIGASI BENCANA ALAM MENURUT PROVINSI DENGAN K-MEANS Sadewo, Mhd Gading; Windarto, Agus Perdana; Wanto, Anjar
KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) Vol 2, No 1 (2018): Peranan Teknologi dan Informasi Terhadap Peningkatan Sumber Daya Manusia di Era
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (23.348 KB) | DOI: 10.30865/komik.v2i1.943

Abstract

Natural disasters are natural events that have a large impact on the human population. Located on the Pacific Ring of Fire (an area with many tectonic activities), Indonesia must continue to face the risk of volcanic eruptions, earthquakes, floods, tsunamis. Application of Clustering Algorithm in Grouping the Number of Villages / Villages According to Anticipatory / Natural Disaster Mitigation Efforts by Province With K-Means. The source of this research data is collected based on documents that contain the number of villages / kelurahan according to natural disaster mitigation / mitigation efforts produced by the National Statistics Agency. The data used in this study is provincial data consisting of 34 provinces. There are 4 variables used, namely the Natural Disaster Early Warning System, Tsunami Early Warning System, Safety Equipment, Evacuation Line. The data will be processed by clustering in 3 clushter, namely clusther high level of anticipation / mitigation, clusters of moderate anticipation / mitigation levels and low anticipation / mitigation levels. The results obtained from the assessment process are based on the Village / Kelurahan index according to the Natural Disaster Anticipation / Mitigation Efforts with 3 provinces of high anticipation / mitigation levels, namely West Java, Central Java, East Java, 9 provinces of moderate anticipation / mitigation, and 22 other provinces including low anticipation / mitigation. This can be an input to the government, the provinces that are of greater concern to the Village / Village According to the Natural Health Disaster Mitigation / Mitigation Efforts based on the cluster that has been carried out.Keywords: Data Mining, Natural Disaster, Clustering, K-Means
PEMANFAATAN ALGORITMA CLUSHTERING DALAM MENGELOMPOKKAN JUMLAH DESA/KELURAHAN YANG MEMILIKI SARANA KESEHATAN MENURUT PROVINSI DENGAN K-MEANS Sadewo, Mhd Gading; Windarto, Agus Perdana; Andani, Sundari Retno; Handrizal, Handrizal
KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) Vol 1, No 1 (2017): Intelligence of Cognitive Think and Ability in Virtual Reality
Publisher : STMIK Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (23.348 KB) | DOI: 10.30865/komik.v1i1.483

Abstract

Kesehatan merupakan hal yang sangat penting bagi semua manusia karena tanpa kesehatan yang baik, maka setiap manusia akan sulit dalam melaksanakan aktivitasnya sehari-hari. Kesehatan adalah keadaan sehat, baik secara fisik, mental, spritual maupun sosial yang memungkinkan setiap orang untuk hidup produktif secara sosial dan ekonomis. Penelitian ini membahas tentang Pemanfaatan Algoritma Clushtering Dalam Mengelompokkan Jumlah Desa/Kelurahan Yang Memiliki Sarana Kesehatan Menurut Provinsi Dengan K-Means. Sumber data penelitian ini dikumpulkan berdasarkan dokumen-dokumen keterangan Jumlah Desa/Kelurahan Yang Memiliki Sarana Kesehatan yang dihasilkan oleh Badan Pusat Statistik Nasional. Data yang digunakan dalam penelitian ini adalah data dari tahun 2008-2014 yang terdiri dari 34 provinsi. Variable yang digunakan (6) jumlah populasi dari tahun 2008-2014. Data akan diolah dengan melakukan clushtering dalam 3 clushter yaitu clusther tingkat sarana kesehatan  tinggi, clusther tingkat sarana kesehatan  sedang dan rendah. Centroid data untuk cluster tingkat populasi tinggi 245, 624, 1434, 1038, 2264, 1223, Centroid data untuk cluster tingkat populasisedang 53, 89, 203, 271, 691, 212, dan Centroid data untuk cluster tingkat populasi rendah 7, 1, 9, 50, 0, 23. Sehingga diperoleh  penilaian berdasarkan indeks Desa/Kelurahan Yang Memiliki Sarana Kesehatan dengan 4 provinsi tingkat sarana kesehatan tinggi yaitu Sumatera Utara, Jawa Barat, Jawa Tengah, Jawa Timur, 14 provinsi tingkat sarana kesehatan sedang, dan 16 provinsi lainnya termasuk tingkat sarana kesehatan rendah. Hal ini dapat menjadi masukan kepada pemerintah, provinsi yang menjadi perhatian lebih pada Desa/Kelurahan Yang Memiliki Sarana Kesehatan berdasarkan cluster yang telah dilakukan.
Co-Authors Agus Perdana Windarto Handrizal Handrizal Sundari Retno Andani Wanto, Anjar