Perbandingan Euclidean dan Manhattan Untuk Optimasi Cluster Menggunakan Davies Bouldin Index: Status Covid-19 Wilayah Riau

TLDR: In this paper, the Davies Bouldin Index (DBI) merupakan teknik evaluasi cluster ying dapat digunakan pada algoritma clustering dengan pengukuran jarak Euclidean and Manhattan.

Abstract: Optimasi jumlah cluster diperlukan untuk memastikan kebijakan yang dapat diambil terkait hasil pengelompokkan, termasuk memastikan kelompok wilayah dengan status ODP, PDP dan Positif Covid-19 di provinsi Riau. Pengelompokkan berdasarkan status pasien perlu dilakukan untuk menentukan tindakan pencegahan yang mungkin dapat diambil pemerintah. Davies Bouldin Index (DBI) merupakan teknik evaluasi cluster yang dapat digunakan pada algoritma clustering dengan pengukuran jarak Euclidean dan Manhattan. Penelitian ini dimaksudkan untuk mengetahui kinerja terbaik DBI pada kedua pengukuran jarak tersebut melalui pengujian data sebaran Covid-19 wilayah Riau. Hasil penelitian menunjukkan bahwa DBI terendah terdapat pada k=8 untuk Euclidean dan k=7 untuk Manhattan dengan nilai masing-masing sebesar 0,394 dan 0,434. Selain itu, DBI bekerja lebih baik pada Euclidean dibandingkan Manhattan karena memiliki nilai DBI lebih rendah pada semua k uji