Teks
KOMPARASI ALGORITMA K-MEANS DENGAN K-MEDOIDS UNTUK KLASTERISASI KEMISKINAN PENDUDUK DI PROVINSI PAPUA
Kemiskinan merupakan suatu keadaan masyarakat yang tidak mampu dalam
memperoleh sumber daya untuk memenuhi kebutuhan hidupnya. Provinsi Papua
menjadi salah satu provinsi dengan tingkat kemiskinan tertinggi di Indonesia.
Berdasarkan permasalahan tersebut maka dibutuhkan pemetaan wilayah untuk
mengetahui Kabupaten/Kota yang termasuk pada kategori kemiskinan tinggi.
Terdapat beberapa algoritma dalam metode clustering, diantaranya yaitu
Algoritma K-Means, K-Medoids, Fuzzy C-Means, Hierarchical Clustering,
DBSCAN.
Metode Clustering dalam Data Mining dapat digunakan untuk melakukan
pengelompokkan tersebut melalui penerapan Algoritma K-Means dan K-Medoids.
Berdasarkan kelebihan dan kelemahan masing-masing algoritma, maka peneliti
membandingkan kinerja algoritma tersebut pada pengelompokkan data
kemiskinan penduduk di Provinsi Papua.
Hasil pengelompokkan pada K=2 Algoritma K-Means berupa Cluster 0
memiliki 22 anggota dan Cluster 1 memiliki 7 anggota, perolehan uji validitas
DBI Algoritma K-Means sebesar 0.92. Kemudian hasil pengelompokkan pada
K=4 Algoritma K-Medoids berupa Cluster 0 memiliki 2 anggota, Cluster 2
memiliki 11 anggota, Cluster 3 memiliki 9 anggota, dan Cluster 1 memiliki 7
anggota, perolehan uji validitas DBI Algoritma K-Medoids sebesar 0.02. Oleh
karena itu, dapat disimpulkan bahwa kinerja Algoritma K-Medoids lebih optimal
dibandingkan Algoritma K-Means.
| S00025.24 | RF SI.S00025.24 Ism k | My Library (Referensi) | Tersedia |
Tidak tersedia versi lain