PENGELOMPOKAN DATA PENDUDUK MISKIN DI SUMATERA UTARA MENGGUNAKAN K-MEANS

Ayu Safitri, Rizki Rahmawati, Sri Ayu Wandira

Abstract


Abstract: The government has made many efforts to eradicate poverty in society by implementing programs such as pro-poor, basic food assistance and cash assistance which are useful for achieving the standards of a prosperous society. The results of data processing are useful in future decision making. Considering the large amount of public data, finding out poor people is not an easy thing for the government to do, as is the case in North Sumatra. This research uses the K-Means Clustering (Multidimensional) method, making it easier to see patterns and structures in data that are difficult to see in the original representation. The application of the K-Means Clustering (Multidimensional) algorithm produces 3 clusters with a silhouette_score value of 33, namely cluster 0 with a high level of population poverty of 1, cluster 1 with a moderate level of population poverty of 4 and cluster 2 with a low level of population poverty as many as 28.

 

Keywords: Resident; Poor; Data Mining; K-Means

 

 

Abstrak: Banyak upaya yang dilakukan pemerintah untuk menghapus kemiskinan pada masyarakat dengan cara melakukan program seperti pro-poor, bantuan sembako maupun bantuan uang tunai yang berguna untuk mencapai standar masyarakat sejahtera. Hasil pengolahan data tersebut berguna dalam pengambilan keputusan kedepannya. Mengingat banyaknya data masyarakat, maka untuk mengetahui masyarakat miskin bukanlah hal mudah yang dilakukan oleh pemerintah, sama halnya di Sumatera Utara. Penelitian ini menggunakan metode K-Means Clustering (Multidimensi) memudahkan untuk melihat pola dan struktur dalam data yang sulit dilihat dalam representasi aslinya. Penerapan algoritma K-Means Clustering (Multidimensi) menghasilkan 3 cluster, yaitu dengan cluster 0 dengan tingat kemiskinan penduduk yang tinggi sebanyak 1, cluster 1 dengan tingat kemiskinan penduduk yang sedang sebanyak 4 dan cluster 2 dengan tingkat kemiskinan penduduk yang rendah sebanyak 28.

 

Kata kunci: Penduduk; Miskin; Multidimensi; Data Mining; K-Means


Full Text:

PDF

References


I. P. S. Sembiring, S. Simanjuntak, and V. A. Sitepu, “Pengaruh Inflasi dan Pengangguran terhadap Penduduk Miskin di Sumatera Utara Tahun 2006–2020,”

J. Ilmu Sos. Manajemen, Akunt. dan Bisnis, vol. 2, no. 2, pp. 1–13, 2021.

E. Nainggolan, “Analisis Pengaruh Pertumbuhan Ekonomi Terhadap Tingkat Kemiskinan Di Provinsi Sumatera Utara (2010-2019),” J. Manaj. Bisnis Eka Prasetya Penelit. Ilmu Manaj., vol. 6, no. 2, pp. 89–99, 2020.

N. Bhayu Pratama, E. Priyo Purnomo, and Agustiyara, “Sustainable Development Goals (SDGs) dan Pengentasan Kemiskinan Di Daerah Istimewa Yogyakarta,” J. Ilm. Ilmu Sos. dan Hum., vol. 6, no. 2, pp. 64–74, 2020.

A. Jananto, Sulastri, E. N. Wahyudi, and Sunardi, “Data Induk Mahasiswa sebagai Prediktor Ketepatan Waktu Lulus MenggunakanAlgoritma CART Klasifikasi Data Mining,” J. SISFOKOM (Sistem Inf. dan Komputer), vol. 10, no. 1, pp. 71–78, 2020.

S. A. Rahmah, “Klasterisasi Pola Penjualan Pestisida Menggunakan Metode K- Means Clustering ( Studi Kasus Di Toko Juanda Tani Kecamatan Hutabayu Raja

),” J. Inf. Technol. Res., vol. 1, no. 1, pp. 1–5, 2020.

M. R. Muttaqin and M. Defriani, “Algoritma K-Means untuk Pengelompokan Topik Skripsi Mahasiswa,” Ilk. J. Ilm., vol. 12, no. 2, pp. 121–129, 2020.

A. Yoga Pratama, Y. Umaidah, and A. Voutama, “Analisis Sentimen Media Sosial Twitter Dengan Algoritma K-Nearest Neighbor Dan Seleksi Fitur Chi- Square (Kasus Omnibus Law Cipta Kerja),” J. Sains Komput. Inform., vol. 5, no. 2, pp. 897–910, 2021.

B. G. Sudarsono, M. I. Leo, A. Santoso, and F. Hendrawan, “Analisis Data Mining Data Netflix Menggunakan Aplikasi Rapid Miner,” JBASE - J. Bus. Audit Inf. Syst., vol. 4, no. 1, pp. 13–21, 2021.

Saifullah, M. Zarlis, Z. Zakaria, and R. W. Sembiring, “Analisa Terhadap Perbandingan Algoritma Decision Tree Dengan Algoritma Random Tree Untuk Pre-Processing Data,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 1, no. 2, pp. 180–185, 2017.

S. Oktarian, S. Defit, and Sumijan, “Klasterisasi Penentuan Minat Siswa dalam Pemilihan Sekolah Menggunakan Metode Algoritma K-Means Clustering,” J. Inf. dan Teknol., vol. 2, no. 3, pp. 68–75, 2020.

E. A. Firdaus, S. Maulani, and A. B. Dharmawan, “Pengukuran Minat Baca Mahasiswa Dengan Metode Clustering Di Perpustakaan Akademi Keperawatan Rs.Dustira Cimahi Menggunakan Data Mining,” J. Nuansa Inform., vol. 15, no. 1, pp. 32–40, 2021.

D. P. Utomo and Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” J. Media Inform. Budidarma, vol. 4, no. 2, pp. 437–444, 2020.

V. Herlinda, D. Darwis, and Dartono, “Analisis Clustering Untuk Recredesialing Fasilitas Kesehatan Menggunakan Metode Fuzzy C-Means,” JTSI J. Teknol. dan Sist. Inf., vol. 2, no. 2, pp. 94–99, 2021.

F. A. Pratama, R. Narasati, and D. R. Amalia, “Pengaruh Kata Cashback Terhadap Peningkatan Penjualan Menggunakan Data Mining,” J. Ilm. Manaj. Inform. dan Komput., vol. 3, no. 2, pp. 1–5, 2019.

G. B. Kaligis and S. Yulianto, “Analisa Perbandingan Algoritma K-Means, K- Medoids, Dan X-Means Untuk Pengelompokkan Kinerja Pegawai,” J. Penerapan Teknol. Inf. dan Komun., vol. 1, no. 3, pp. 179–193, 2022.




DOI: https://doi.org/10.33330/j-com.v4i1.2998

Article Metrics

Abstract view : 95 times
PDF - 65 times

Refbacks

  • There are currently no refbacks.


Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.