Analisis Pengelompokan Laporan Panggilan untuk Perencanaan Respons Berbasis Data: Clustering Analysis of Call Reports for Data-Driven Response Planning

Retno Tri Cahyani; Imam Yuadi; Hendro Margono

doi:10.57152/malcom.v5i4.2168

Authors

Retno Tri Cahyani Universitass Airlangga
Imam Yuadi Universitass Airlangga
Hendro Margono Universitass Airlangga

DOI:

https://doi.org/10.57152/malcom.v5i4.2168

Keywords:

Clustering, Elbow Method, K-Means, K-Medoids, Laporan Panggilan

Abstract

Setiap tahun, Call Center 112 Kabupaten Sidoarjo menerima ribuan laporan dari masyarakat, yang mencakup berbagai kejadian seperti kebakaran, kecelakaan lalu lintas, darurat medis, kabel menjuntai, pohon tumbang, dan masalah PJU. Penelitian ini menganalisis 6.207 laporan berfokus pada koordinat lokasi kejadian dengan tujuan untuk mengelompokkan pola spasial laporan sehingga dapat mendukung tata Kelola pelayanan publik yang lebih responsif. Untuk mencapai tujuan tersebut digunakan dua algoritma pembelajaran yaitu K-Means dan K-Medoids. Metode Elbow digunakan untuk menentukan jumlah klaster (k=3). Metode ini menunjukkan titik optimum ketika nilai inertia mulai menurun secara linier. Analisis menggunakan Google Colab dan ada dukungan pustaka untuk visualisasi seperti scikit-learn, pyclustering, dan matplotlib. Hasil visualisasi menunjukkan bahwa K-Medoids membentuk klaster yang lebih terstruktur secara geografis, sedangkan K-Means menghasilkan klaster yang tumpang tindih. Silhouette Score 0,479, yang lebih tinggi dari K-Means hanya 0,193, K-Medoids terbukti lebih unggul dalam membentuk klaster yang kompak dan konsisten. K-Medoids berhasil mengelompokkan wilayah yang rawan insiden (Waru, Gedangan) dan wilayah infrastruktur dominan (Sidoarjo, Candi) ke dalam klaster yang sesuai secara spasial. Analisis ini mengidentifikasi fitur tiap klaster berdasarkan jenis laporan, mulai dari darurat medis hingga masalah PJU. Penemuan ini berguna untuk mendukung alokasi sumber daya dan layanan publik yang lebih efisien saat membangun kota pintar.

Downloads

Download data is not yet available.

References

P.-N. Tan, M. Steinbach, and V. Kumar, Introduction to data mining. Pearson Education India, 2016.

A. K. Jain, "Data clustering: 50 years beyond K-means," Pattern recognition letters, vol. 31, no. 8, pp. 651-666, 2010.

R. D. Rudianto and A. W. Wijayanto, "Analisis Perbandingan K-Means dan K-Medoids dalam Pengelompokan Provinsi Berdasarkan Indeks Demokrasi Indonesia 2021," Komputika: Jurnal Sistem Komputer, vol. 13, no. 1, pp. 19-26, 2024.

N. Rohman and A. Wibowo, "Perbandingan Metode K-Medoids dan Metode K-Means Dalam Analisis Segmentasi Pelanggan Mall," SINTECH (Science and Information Technology) Journal, vol. 7, no. 1, pp. 49-58, 2024.

Q.-X. Zhu, X.-W. Wang, N. Zhang, Y. Xu, and Y.-L. He, "Novel K-medoids based SMOTE integrated with locality preserving projections for fault diagnosis," IEEE Transactions on Instrumentation and Measurement, vol. 71, pp. 1-8, 2022.

Y. Kim and Y. Kim, "Global regionalization of heat environment quality perception based on K-means clustering and Google trends data," Sustainable Cities and Society, vol. 96, p. 104710, 2023.

S. Wang, J. G. Yabes, and C.-C. H. Chang, "Hybrid density-and partition-based clustering algorithm for data with mixed-type variables," Journal of Data Science, vol. 19, no. 1, pp. 15-36, 2021.

C. W. Dawson, Projects in computing and information systems: a student's guide. Pearson Education, 2005.

C. R. Kothari, Research methodology: Methods and techniques. New Age International, 2004.

J. W. Creswell, "Research designs. Qualitative, quantitative, and mixed methods approaches," 2009.

A. Bryman, Social research methods. Oxford University Press, 2016.

P. Chapman et al., "CRISP-DM 1.0: Step-by-step data mining guide," SPSS inc, vol. 9, no. 13, pp. 1-73, 2000.

P. Bholowalia and A. Kumar, "EBK-means: A clustering technique based on elbow method and k-means in WSN," International Journal of Computer Applications, vol. 105, no. 9, 2014.

P. Sharma, "The most comprehensive guide to k-means clustering you’ll ever need," URL: https://www. analyticsvidhya. com/blog/2019/08/comprehensiveguide-k-means-clustering, 2019.

T. Kanungo, D. M. Mount, N. S. Netanyahu, C. D. Piatko, R. Silverman, and A. Y. Wu, "An efficient k-means clustering algorithm: Analysis and implementation," IEEE transactions on pattern analysis and machine intelligence, vol. 24, no. 7, pp. 881-892, 2002.

A. M. Ikotun, A. E. Ezugwu, L. Abualigah, B. Abuhaija, and J. Heming, "K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data," Information Sciences, vol. 622, pp. 178-210, 2023.

E. Schubert and P. J. Rousseeuw, "Fast and eager k-medoids clustering: O (k) runtime improvement of the PAM, CLARA, and CLARANS algorithms," Information Systems, vol. 101, p. 101804, 2021.

M. Tiwari, R. Kang, D. Lee, S. Thrun, I. Shomorony, and M. J. Zhang, "BanditPAM++: Faster k-medoids Clustering," Advances in Neural Information Processing Systems, vol. 36, pp. 73371-73382, 2023.

N. Almazar and M. B. Yel, "Application of the K-Medoids Algorithm in Clustering PAM Customers Based on Provinces in Indonesia. 4," ed: April, 2024.

G. Ogbuabor and F. Ugwoke, "Clustering algorithm for a healthcare dataset using silhouette score value," Int. J. Comput. Sci. Inf. Technol, vol. 10, no. 2, pp. 27-37, 2018.