PENERAPAN ALGORITMA CLUSTERING UNTUK PENGELOMPOKAN TINGKAT KEMISKINAN PROVINSI BANTEN
Kemiskinan merupakan masalah sosial yang sudah tersebar di seluruh daerah di Indonesia, termasuk di Daerah Provinsi Banten. Meskipun Provinsi tersebut memiliki angka kemiskinan terendah, namun masalah ini adalah hal yang harus diutamakan. Jika menaik, maka akan menimbulkan dampak dari berbagai aspek...
Gespeichert in:
Veröffentlicht in: | JSiI (Jurnal Sistem Informasi) 2022-09, Vol.9 (2), p.109-114 |
---|---|
1. Verfasser: | |
Format: | Artikel |
Sprache: | eng |
Online-Zugang: | Volltext |
Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
Zusammenfassung: | Kemiskinan merupakan masalah sosial yang sudah tersebar di seluruh daerah di Indonesia, termasuk di Daerah Provinsi Banten. Meskipun Provinsi tersebut memiliki angka kemiskinan terendah, namun masalah ini adalah hal yang harus diutamakan. Jika menaik, maka akan menimbulkan dampak dari berbagai aspek, seperti tertutupnya akses pendidikan, tumbuhnya kriminalitas, bahkan bisa menghambat pertumbuhan ekonomi dikarenakan turunnya kualitas sumber daya manusia dan pendapatan yang dimiliki. Masalah ini perlu dicari solusi agar Pemerintah Banten mampu bertanggung jawab untuk mengontrol, bahkan mengurangi tingkat kemiskinan di Provinsi Banten. Penelitian ini dilakukan sebagai upaya untuk mengelompokkan wilayah di Provinsi Banten berdasarkan tingkat kemiskinan. Pendekatan yang dilakukan adalah algoritma Clustering, dimana ini merupakan metode Data Mining untuk mengelompokkan data menjadi beberapa grup berbeda berdasarkan kesamaan karakteristik setiap objeknya. data dibagi kedalam 3 cluster berdasarkan tingkat kemiskinan, metode clustering K-Means dan K-Medoids digunakan dalam penelitian ini, yang mempunyai perbedaan dari segi penentuan pusat cluster, hasil perhitungan menggunakan kedua metode tersebut lalu dibandingkan berdasarkan nilai Davies-Bouldin Index untuk menentukan hasil cluster yang lebih optimal. pendekatan ini juga didukung oleh penggunaan perangkat lunak R. Hasil Penelitian yang diharapkan mampu menjadi acuan kepada Pemerintah Daerah untuk pengambilan keputusan dalam menentukan arah pengentasan kemiskinan di masa mendatang. Hasil clustering menunjukkan pembagian 3 cluster sama rata pada K-medoid dan K-Means menggunakan RStudio, yaitu 3 Kabupaten/Kota dengan kemiskinan rendah, 3 Kabupaten/kota dengan kemiskinan sedang, dan 2 Kabupaten/Kota dengan kemiskinan tinggi. Meskipun demikian, nilai DBI pada algoritma K-Medoid lebih rendah dari K-Means dengan hasil masing-masing 0.582 dan 0.602.
Kata kunci: Clustering, Data Mining, Davies-Bouldin Index, K-Medoid, K-Means, Tingkat Kemiskinan |
---|---|
ISSN: | 2406-7768 2581-2181 |
DOI: | 10.30656/jsii.v9i2.5099 |