Pemodelan Spasial dan Segmentasi Risiko Pandemi COVID-19 di Indonesia: Sebuah Pendekatan Data Mining Berbasis Algoritma Klasterisasi K-Means

Pemetaan Wilayah Risiko Pandemi dengan Teknik Klasterisasi untuk Intervensi Kebijakan

Abstract

Perbedaan spasial dalam penyebaran pandemi COVID-19 di Indonesia menunjukkan adanya kekurangan dalam strategi penanganan yang seragam dan memerlukan pendekatan berbasis bukti untuk alokasi sumber daya yang lebih efektif. Untuk menjawab tantangan ini, penelitian ini mengusulkan sebuah model segmentasi risiko kewilayahan dengan menggunakan algoritma klasterisasi K-Means. Dengan memanfaatkan kumpulan data longitudinal tingkat provinsi yang mencakup variabel epidemiologis dan demografis kunci seperti total kasus, mortalitas, dan kepadatan populasi analisis ini mengidentifikasi pengelompokan (klaster) yang terdapat dalam data. Temuan utama dari studi ini adalah identifikasi tiga klaster risiko yang berbeda secara statistik: Rendah, Sedang, dan Tinggi. Secara signifikan, klaster berisiko tinggi terkonsentrasi di daerah padat penduduk di Pulau Jawa, yang mengonfirmasi adanya hubungan yang kuat antara densitas populasi dan laju transmisi virus. Dengan demikian, penelitian ini memberikan justifikasi empiris yang kuat untuk beralih dari kebijakan makro yang seragam menuju intervensi mikro yang tersegmentasi dan disesuaikan dengan profil risiko lokal. Model yang dihasilkan diusulkan sebagai alat pendukung keputusan (decision support tool) yang dinamis untuk formulasi kebijakan kesehatan publik yang lebih adaptif dan presisi.