ANALISIS CLUSTERING PROVINSI DI INDONESIA BERDASARKAN TINGKAT KEMISKINAN MENGGUNAKAN ALGORITMA K-MEANS

Achmad Bahauddin; Agustina Fatmawati; Febrianti Permata Sari

doi:10.36595/misi.v4i1.216

Achmad Bahauddin Universitas Sultan Ageng Tirtayasa
Agustina Fatmawati Universitas Sultan Ageng Tirtayasa
Febrianti Permata Sari Universitas Sultan Ageng Tirtayasa

DOI: https://doi.org/10.36595/misi.v4i1.216

Abstract

Berdasarkan sumber informasi dari Badan Pusat Statistik (BPS), kita dapat mengetahui persentase kemiskinan yang ada di seluruh provinsi Indonesia. Namun didalam data yang tersaji di BPS tersebut, kategori persentase kemiskinan yang disajikan hanya berdasarkan provinsi sedangkan dalam upaya untuk memberantas kemiskinan yang ada, pemerintah perlu mengetahui daerah manakah yang memiliki tingkat kemiskinan tinggi, sedang atau rendah sehingga pemerintah dapat menetapkan skala prioritas untuk menanggulangi kemiskinan tersebut. Oleh karena itu, perlu dilakukan pengelompokan provinsi yang ada di Indonesia berdasarkan tingkat kemiskinannya agar pemerintah dapat memberikan kebijakan atau pendekatan yang tepat dan cepat untuk mengatasi kemiskinan yang terjadi berdasarkan tingkat kemiskinan masing-masing provinsi. Pada penelitian ini digunakan metode clustering dengan algoritma K-Means untuk mengelompokan provinsi berdasarkan tingkat kemiskinannya dengan bantuan software Weka. Hasil penelitian menunjukkan terdapat 3 cluster provinsi di Indonesia berdasarkan tingkat kemiskinannya yaitu Cluster 0 (provinsi dengan tingkat kemiskinan rendah), Cluster 1 (provinsi tingkat kemiskinan sedang), dan Cluster 2 (provinsi dengan tingkat kemiskinan tinggi). Provinsi yang termasuk dalam kategori provinsi dengan tingkat kemiskinan tinggi yaitu Maluku, Papua Barat dan Papua.

References

[1] N. I. Febianto and N. Palasara, “Analisa Clustering K-Means Pada Data Informasi Kemiskinan Di Jawa Barat Tahun 2018,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 8, no. 2, p. 130, 2019, doi: 10.32736/sisfokom.v8i2.653.
[2] R. Harun, K. C. Pelangi, and Y. Lasena, “PENERAPAN DATA MINING UNTUK MENENTUKAN POTENSI HUJAN HARIAN DENGAN MENGGUNAKAN ALGORITMA K NEAREST NEIGHBOR (KNN),” J. Manaj. Inform. dan Sist. Inf., vol. 3, no. 1, pp. 8–15, 2020, [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/misi/article/download/125/84.
[3] H. Garcia-Molina, Database systems: the complete book. Pearson Education India, 2008.
[4] K. L. Du, “Clustering: A neural network approach,” Neural Networks, vol. 23, no. 1, pp. 89–107, 2010, doi: 10.1016/j.neunet.2009.08.007.
[5] F. Fajrianti, M. N. Bustan, and M. A. Tiro, “Penggunaan Analisis Cluster K-Means dan Analisis Diskriminan Dalam Pengelompokan Desa Miskin di Kabupaten Pangkep,” VARIANSI J. Stat. Its Appl. Teach. Res., vol. 1, no. 2, 2019.
[6] G. F. Mandias, G. A. Sandag, S. Susanti, and H. R. Musak, “Penerapan Algoritma K-Means Untuk Analisis Prestasi Akademik Mahasiswa Fakultas Ilmu Komputer Universitas Klabat,” CogITo Smart J., vol. 3, no. 2, p. 230, 2017, doi: 10.31154/cogito.v3i2.72.230-239.
[7] R. A. Asroni, “Penerapan Metode K-Means Untuk Clustering Mahasiswa Berdasarkan Nilai Akademik Dengan Weka Interface Studi Kasus Pada Jurusan Teknik Informatika UMM Magelang,” Ilm. Semesta Tek., vol. 18, no. 1, pp. 76–82, 2015, doi: 10.1038/hdy.2009.180.
[8] B. Santosa and A. Umam, Data Mining dan Big Data Analytics: Teori dan Implementasi Menggunakan Python & Apache Spark. Penebar Media Pustaka, 2018.
[9] E. Prasetyo, “Data mining konsep dan aplikasi menggunakan matlab,” Yogyakarta Andi, 2012.
[10] J. Jaroji, D. Danuri, and F. P. Putra, “K-Means Untuk Menentukan Calon Penerima Beasiswa Bidik Misi Di Polbeng,” INOVTEK Polbeng - Seri Inform., vol. 1, no. 1, p. 87, 2016, doi: 10.35314/isi.v1i1.129.
[11] L. Mutawalli, M. T. A. Zaen, and I. F. Suhriani, “Sistem Identifikasi Persebaran Pecemaran Air Oleh Limbah di Indonesia Menggunakan Average Linkage Dan K-Mean Cluster,” MISI (Jurnal Manaj. Inform. Sist. Informasi), vol. 1, no. 2, pp. 36–42, 2018