PENERAPAN ALGORITMA CLUSTERING UNTUK PENGELOMPOKAN TINGKAT KEMISKINAN PROVINSI BANTEN

  • Tb. Ai Munandar Universitas Bhayangkara Jakarta Raya
Abstract views: 539 , PDF downloads: 648

Abstract

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

Downloads

Download data is not yet available.

References

Badan Pusat Statistik Provinsi Banten, 2020, Provinsi Banten Dalam Angka 2020, Serang: BPS Provinsi Banten.

Ventura, L., 2020, Poorest Countries in the World 2020. Retrieved April 25, 2021, from Global Finance: https://www.gfmag.com/global-data/economic-data/the-poorest-countries-in-the-world

Sutrisna, 2021, Kemiskinan di Banten Kembali Naik di Atas Rata-rata Nasional, BPS Menyebut Karena Faktor Ini, Retrieved 31 December 2021, from kabarbanten.com: kabarbanten.pikiran-rakyat.com/seputar-banten/pr-591441129/kemiskinan-di-banten-kembali-naik-di-atas-rata-rata-nasional-bps-menyebut-karena-faktor-ini

Atmaja, E. H. S., 2019, Implementation of k-medoids clustering algorithm to cluster crime patterns in Yogyakarta, International Journal of Applied Sciences and Smart Technologies, 1(1), 33–44.

Syamsiah, 2019, Pengaruh Indeks Pembangunan Manusia dan Produk Domestik Regional Bruto Terhadap Tingkat Kemiskinan di Provinsi Banten Periode 2010-2016, Doctoral dissertation, UIN SMH BANTEN.

Prasetyoningrum, A. K., dan Sukmawati, U. S., 2018, Analisis Pengaruh Indeks Pembangunan Manusia (IPM), Pertumbuhan Ekonomi dan Pengangguran Terhadap Kemiskinan di Indonesia, Equilibrium: Jurnal Ekonomi Syariah, 6(2), 217-240.

Riyanto, B., 2019, Penerapan Algoritma K-Medoids Clustering Untuk Pengelompokkan Penyebaran Diare Di Kota Medan (Studi Kasus: Kantor Dinas Kesehatan Kota Medan), KOMIK (Konferensi Nasional Teknologi Informasi Dan Komputer), 3(1). https://doi.org/10.30865/komik.v3i1.1659

Farachi, A. N, 2020, Perbandingan Algoritma K-Means dan Algoritma K-Medoids dalam Pengelompokan Komoditas Tanaman Biofarmaka di Provinsi Jawa Tengah Tahun 2018, Thesis, Universitas Islam Indonesia.

Dewi, D. A. I. C., dan Pramita, D. A. K., 2019, Analisis perbandingan metode elbow dan silhouette pada algoritma clustering K-Medoids dalam pengelompokan produksi kerajinan bali, Matrix: Jurnal Manajemen Teknologi dan Informatika, 9(3), 102-109.

Sutresno, S. A., Iriani, A., dan Sediyono, E., 2018, Metode K-Means Clustering dengan Atribut RFM untuk Mempertahankan Pelanggan, JuTISI (Jurnal Teknik Informatika dan Sistem Informasi), 4(3), 433-440

Kassambara, A., 2017, Practical Guide to Cluster Analysis in R Edition 1. STDHA.

Anggara, M., Sujaini, H., dan Nasution, H., 2016, Pemilihan distance measure Pada K-Means clustering Untuk Pengelompokkan member di Alvaro fitness, JUSTIN (Jurnal Sistem dan Teknologi Informasi), 4(1), 186-191.

Kamila, I., Khairunnisa, U., dan Mustakim, M., 2019, Perbandingan Algoritma K-means dan K-medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau, Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi, 5(1), 119.

Religia, Y., dan Jaya, R. T. B., 2020, Pengelompokan Menggunakan Algoritma K-Medoid Untuk Evaluasi Performa Siswa, Jurnal Pelita Teknologi, Vol. 15 (1) 2020, pp.49-55

Dehotman, B.J., 2018, Peningkatan hasil evaluasi clustering davies-bouldin index dengan penentuan titik pusat cluster awal algoritma k-means, Thesis, Universitas Sumatera Utara, Medan

Hablum, R. J., Khairan, A., dan Rosihan, R., 2019, Clustering Hasil Tangkap Ikan Di Pelabuhan Perikanan Nusantara (Ppn) Ternate Menggunakan Algoritma K-Means, JIKO (Jurnal Informatika dan Komputer), 2(1), 26-33.

Munandar, T. A., 2019, Bahan Ajar Data Mining Dengan R Edisi Revisi 3, Fakultas Teknologi Informasi, Universitas Serang Raya, Serang.

PlumX Metrics

Published
2022-09-01
Section
Articles