Image of PERBANDINGAN ALGORITMA K-MEANS DENGANALGORITMA FUZZY C-MEANS DALAMPENGELOMPOKKAN DATA KEMISKINAN DIPROVINSI JAWA TENGAH

Teks

PERBANDINGAN ALGORITMA K-MEANS DENGANALGORITMA FUZZY C-MEANS DALAMPENGELOMPOKKAN DATA KEMISKINAN DIPROVINSI JAWA TENGAH

Kemiskinan telah menjadi satu masalah yang sejak dulu hingga sekarang masih
belum bisa teratasi dengan baik oleh pemerintah daerah maupun pemerintah pusat
di Indonesia, khususnya Jawa Tengah. Selama ini belum adanya pengelompokkan
data kemiskinan di Jawa Tengah pada tiap tahunnya menyebabkan program dan
kebijakan dari pemerintah kurang merata, maka diperlukan suatu metode dalam
mengatasi permasalahan ini. Identifikasi tingkat penurunan jumlah kemiskinan
dengan pengelompokkan wilayah sangat diperlukan. Pengelompokkan tersebut
bertujuan untuk mempermudah pendataan dalam penanganan pengentasan
kemiskinan dan pemerataan kebijakan pemerintah khususnya di Jawa Tengah. Data
mining menjadi solusi dalam pengelompokkan data kemiskinan.
Salah satu teknik pengelompokkan yang digunakan dalam data mining yaitu
dengan Clustering. Algoritma K-Means dan Fuzzy C-Means merupakan Algoritma
clustering yang bisa digunakan untuk menyelesaikan permasalahan dalam
pengelompokkan data. Namun Algoritma K-Means memiliki kelemahan dalam
pergerakan data ke Cluster lain, maka Fuzzy C-Means diusulkan untuk mengatasi
kekurangan tersebut. Variabel dalam penelitian ini adalah jumlah penduduk miskin
berdasarkan Kabupaten/Kota di Jawa Tengah dari tahun 2017 sampai dengan tahun
2022. Variabel tersebut digunakan untuk mendapatkan kategori dari setiap cluster
yang terbentuk.
Hasil pengelompokan pada K=3 K-Meanssebagai berikut: Cluster 0 beranggotakan
17 kabupaten/kota, Cluster 1 beranggotakan 10 kabupaten/kota, Cluster 2
beranggotakan 8 kabupaten/kota dan nilai DBI pada K=3 K-Means sebesar 0,481.
Hasil pengelompokan pada K=5 K-Meanssebagai berikut: Cluster 0 beranggotakan
10 kabupaten/kota, Cluster 1 beranggotakan 8 kabupaten/kota, Cluster 2
beranggotakan 8 kabupaten/kota, Cluster 3 beranggotakan 2 kabupaten/kota,
Cluster 4 beranggotakan 7 kabupaten/kota dan nilai DBI pada K=5 K-Means
sebesar 0.410. Hasil pengelompokan pada K=3 Fuzzy C-Means sebagai berikut:
Cluster 0 beranggotakan 17 kabupaten/kota, Cluster 1 beranggotakan 11
kabupaten/kota, Cluster 2 beranggotakan 7 kabupaten/kota dan nilai DBI pada K=3
Fuzzy C-Means sebesar 0,474. Hasil pengelompokan pada K=5 Fuzzy C-Means
sebagai berikut: Cluster 0 beranggotakan 8 kabupaten/kota, Cluster 1
beranggotakan 10 kabupaten/kota, Cluster 2 beranggotakan 5 kabupaten/kota,
Cluster 3 beranggotakan 7 kabupaten/kota, Cluster 4 beranggotakan 5
kabupaten/kota dan nilai DBI pada K=5 Fuzzy C-Means sebesar 0.564. Eksperimen
dengan K=3 menghasilkan klaster terbaik pada algoritma Fuzzy C-Means dengan
nilai validitas DBI sebesar 0,474 dan eksperimen dengan K=5 menghasilkan
klaster terbaik pada algoritma K=Means dengan nilai validitas DBI sebesar 0,410.

Ketersediaan
S00037.23RF TI.S00037.23 Sar pMy Library (Referensi)Tersedia
Informasi Detail
Judul Seri
-
No. Panggil
RF TI.S00037.23 Sar p
Penerbit
Paguyangan : STMIK MPB.,
Deskripsi Fisik
xx,106hlm.;30cm
Bahasa
Indonesia
ISBN/ISSN
-
Klasifikasi
TI.S00037.23
Tipe Isi
-
Tipe Media
-
Tipe Pembawa
-
Edisi
-
Subjek
algoritma
data mining
fuzzy
kemiskinan
klaster
Info Detail Spesifik
-
Pernyataan Tanggungjawab
Versi lain/terkait

Tidak tersedia versi lain

Lampiran Berkas
Komentar
Anda harus masuk sebelum memberikan komentar