3-8-1, 3-18-1, 3-28-1, 3-16-1 and 3-48-1

Abstrak -Data mining merupakan teknik pengolahan data dalam jumlah besar untuk pengelompokan. Teknik Data mining mempunyai beberapa metode dalam mengelompokkan salah satu teknik yang dipakai penulis saat ini adalah K-Means. Dalam hal ini penulis mengelompokan data daftar program SDP tahun 2017 untuk mengetahui manakah pegawai yang layak lolos dalam program SDP sehingga dapat melakukan Registrasi Asessment Center. Pengelompokan tersebut berdasarkan kriteria -kriteria data Program SDP. Pada penelitian ini, penulis menerapkan algoritma K-Means Clustering untuk pengelompokan data Program SDP di PT.Bank Syariah. Dalam hal ini, pada umumnya untuk memamasuki program SDP tersebut disesuaikan dengan ketentuan dan parameter Program SDP saja, namun dalam penelitian ini pengelompokan disesuaikan dengan kriteria -kriteria Program SDP seperti kedisiplinan pegawai, Target Kerja Pegawai, Kepatuhan Program SDP. Penulis menggunakan beberapa kriteria tersebut agar pengelompokan yang dihasilkan menjadi lebih optimal. Tujuan dari pengelompokan ini adalah terbentuknya kelompok SDP pada Program SDP yang menggunakan algoritma K-Means clustering. Hasil dari pengelompokan tersebut diperoleh tiga kelompok yaitu kelompok Lolos, Hampir Lolos dan Tidak Lolos. Terdapat pusat cluster dengan Cluster -1= 8;66;13, Cluster-2= 10;71;14 dan Cluster-3=7;60;12. Pusat cluster tersebut didapat dari beberapa iterasi sehingga mengahasilakan pusat cluster yang optimal.

No abstract

Natural disasters are natural events that have a large impact on the human population. Located on the Pacific Ring of Fire (an area with many tectonic activities), Indonesia must continue to face the risk of volcanic eruptions, earthquakes, floods, tsunamis. Application of Clustering Algorithm in Grouping the Number of Villages / Villages According to Anticipatory / Natural Disaster Mitigation Efforts by Province With K-Means. The source of this research data is collected based on documents that contain the number of villages / kelurahan according to natural disaster mitigation / mitigation efforts produced by the National Statistics Agency. The data used in this study is provincial data consisting of 34 provinces. There are 4 variables used, namely the Natural Disaster Early Warning System, Tsunami Early Warning System, Safety Equipment, Evacuation Line. The data will be processed by clustering in 3 clushter, namely clusther high level of anticipation / mitigation, clusters of moderate anticipation / mitigation levels and low anticipation / mitigation levels. The results obtained from the assessment process are based on the Village / Kelurahan index according to the Natural Disaster Anticipation / Mitigation Efforts with 3 provinces of high anticipation / mitigation levels, namely West Java, Central Java, East Java, 9 provinces of moderate anticipation / mitigation, and 22 other provinces including low anticipation / mitigation. This can be an input to the government, the provinces that are of greater concern to the Village / Village According to the Natural Health Disaster Mitigation / Mitigation Efforts based on the cluster that has been carried out.Keywords: Data Mining, Natural Disaster, Clustering, K-Means

Abstract