Wawan Firmansyah, 4112320015 (2023) Perbandingan Algoritma K-Means dan Algoritma K-Medoids dalam Pengelompokan Kabupaten/Kota Berdasarkan Jumlah Penduduk Miskin di Jawa Tengah dan DIY. Diploma thesis, UNNES.

	PDF - Published Version Download (468kB)
	PDF - Published Version Restricted to Repository staff only Download (1MB) | Request a copy
	PDF - Published Version Download (237kB)
	PDF - Published Version Download (200kB)
	PDF - Published Version Download (124kB)
	PDF - Published Version Restricted to Repository staff only Download (407kB) | Request a copy

Abstract

Analisis cluster merupakan metode data mining yang banyak digunakan untuk menentukan struktur dalam kumpulan data berdasar kesamaan karakteristik terbesar dalam cluster. Penelitian ini bertujuan untuk membandingan hasil analisis cluster K-Means dan K-Medoids dari data jumlah penduduk miskin Provinsi Jawa Tengah dan DIY tahun 2015-2022. Analisis cluster terbagi menjadi herarki dan non-herarki, dalam penelitian ini digunakan non-herarki yaitu metode K-Means dan K-Medoids. K-Means adalah metode clustering yang menggunakan mean sebagai pusat cluster, sedangkan K-Medoids menggunakan medoid, yang merupakan data poin yang paling mirip dengan pusat cluster. Jumlah penduduk miskin merupakan indikator penting dalam perencanaan pembangunan dan kebijakan sosial. Di Pulau Jawa sendiri Provinsi Jawa Tengah menempati peringkat kedua dengan presentase kemiskinan 10,98%, yang mana pada peringkat pertama diperoleh oleh Provinsi Daerah Istimewa Yogyakarta dengan presentase kemiskinan 11,49%. Oleh sebab itu, fokus penulis pada penelitian ini adalah Provinsi Jawa Tengah dan karena presentase kemiskinannya yang cukup tinggi. Untuk membandingkan hasil dari analisis maka dilakukan uji validitas yaitu dengan metode Silhouette Indek dan Davies Buildin Index (DBI). Hasil cluster menunjukkan bahwa metode K-Means menghasilkan 5 cluster yaitu cluster 1 terdiri dari 6 Kabupaten/kota, kelompok 2 terdiri dari 5 kabupaten/kota, cluster 3 terdiri dari 13 kabupaten/kota, cluster 4 terdiri dari 8 kabupaten/kota, dan cluster 5 terdiri dari 8 kabupaten/kota. Sedangkan hasil cluster menggunakan algoritma K-Medoids menghasilkan 4 cluster yaitu cluster 1 terdiri dari 5 kabupaten/kota, cluster 2 terdiri dari 12 kabupaten/kota, cluster 3 terdiri dari 17 kabupaten/kota, cluster 4 terdiri dari 6 kabupaten/kota. Untuk hasil berbandingan yaitu nilai Davies Bouldin Indeks (DBI) K-Means adalah 0,4036484 lebih kecil dibandingkan K-Medoids yaitu 0,5274465. Untuk nilai Silhouette index K-Means adalah 0,6162525 lebih besar dibandingan K-Medoids yaitu 0,6085647. Nilai DBI algoritma K-Means lebih kecil dari algoritma K-Medoids sedangkan nilai Silhouette Index algoritma K-Means lebih besar dari algoritma K-Medoids, hal ini menunjukkan bahwa algoritma K-Means lebih baik daripada algoritma K-Medoids.

Actions (login required)

View Item