No abstract

Status kemiskinan penduduk di Kecamatan Bantul diklasifikasikan  melalui  11 aspek. Jumlah nilai dari keseluruhan aspek akan menentukan kelas kemiskinan diantaranya kelas miskin, sangat miskin dan rawan miskin. Klasifikasi dengan model tersebut membuat hasil pengelompokan kurang akurat sehingga perlu dicoba klasifikasi dengan model yang lain. Analisis performa klasifikasi data penduduk miskin pada penelitian ini dikerjakan menggunakan metode klasifikasi K-NN dan C4.5. Kedua algoritma klasifikasi akan dibandingkan performanya melalui uji akurasi, precision dan recall.Hasil analisis perbandingan performa algoritma K-NN dengan parameter setting k=1 memiliki performa yang paling baik dibandingkan dengan nilai k=10, 100, 1000 maupun algoritma C4.5. Hasil nilai Accuracy sebesar 94,71%, precision sebesar  84,96% dan recall sebesar 83,6%.

Di wilayah Kecamatan Bantul, seorang warga disebut sebagai keluarga miskin berdasarkan beberapa aspek seperti aspek pangan, sandang, papan, penghasilan, kesehatan, pendidikan, kekayaan, air bersih, listrik maupun jumlah jiwa. Aspek-aspek tersebut akan digunakan sebagai atribut dalam proses clustering. Masing-masing atribut memiliki nilai yang akan diolah. Penelitian ini dikerjakan menggunakan seleksi atribut information gain sebelum proses clustering untuk melihat atribut mana yang sebenarnya berpengaruh dan tidak, sehingga hanya atribut yang berpengaruh saja yang akan digunakan, metode Fuzzy C-Means untuk clustering penduduk miskin dan Xie Beni untuk menentukan jumlah klaster terbaik. Hasil penelitian menunjukkan penggunaan information gain dengan threshold 0.0001 untuk clustering dengan menghilangkan atribut penghasilan memiliki hasil cluster yang sama dengan menggunakan atribut penghasilan. Pengujian terhadap 23, 500, 1000 dan 1313 untuk jumlah cluster 2, 3, 4, 5, 6 dan 7 menunjukkan bahwa nilai dari Xie-Beni Index terkecil adalah 5 dengan nilai 0,1343, sehingga cluster yang paling optimal adalah 5.

Proses belajar mengajar di sekolah tingkat SMA di Kabupaten Bantul pada masa darurat Covid-19 dilakukan secara daring. Semua proses pembelajaran beralih dari pembelajaran tatap muka (PTM) di kelas ke pembelajaran jarak jauh (PJJ) yang banyak dilakukan dengan menggunakan teknologi ponsel cerdas atau smartphone. Guru-guru pendidikan agama Islam yang tergabung dalam Musyawarah Guru Mata Pelajaran Pendidikan Agama Islam (MGMP-PAI) Tingkat SMA se-kabupaten Bantul memiliki kesulitan dalam mengubah materi pembelajaran dari materi PTM menjadi materi PJJ. Selain permasalahan kesediaan perangkat komputer yang masih terbatas, pihak mitra juga mengalami kendala dalam pembuatan video pembelajaran karena belum memiliki keahlian dan pengetahuan yang cukup memadai. Melalui pengabdian ini akan diberikan pelatihan dengan menggunakan aplikasi Kinemaster untuk editing video dan membuat materi pembelajaran yang menarik di ponsel cerdas. Pengabdian ini diawali dengan melakukan analisa situasi dan kebutuhan Mitra, mengidentifikasi permasalahan, menentukan tujuan dan rencana kegiatan, melaksanakan pelatihan, monitoring dan evaluasi. Pengabdian diikuti oleh 35 peserta, dilaksanakan secara online melalui pertemuan dengan menggunakan aplikasi Zoom. Antusias dari para peserta pengabdian ini sangat baik, terbukti dari hasil kuesioner dari peserta pelatihan yang menyatakan bahwa isi materi pelatihan sesuai dengan kebutuhan mereka dan cara penyampaian materi dalam pelatihan juga baik dan jelas.

Abstrak Kata kunci : Data mining; aturan asosiasi; algoritma apriori PendahuluanAturan asosiasi dalam data mining bertujuan untuk menemukan pola frekuensi, asosiasi, korelasi dan struktur hubungan antar item atau obyek dari sekumpulan item yang ada dalam transaksi database, database relasional maupun informasi dari tempat penyimpanan yang lain.Setiap item atau obyek adalah variabel bernilai Boolean yang merepresentasikan ada tidaknya item tersebut dalam transaksi. Setiap transaksi dapat direpresentasikan oleh nilai vektor Boolean untuk setiap variabelnya. Vektor Boolean dapat dianalisis untuk menemukan pola dari item-item yang cenderung muncul bersamaan dengan nilai frekuensi.Sebagai contoh aturan asosiasi adalah informasi tentang pelanggan yang membeli komputer juga membeli perangkat lunak keuangan, dapat ditulis dalam aturan asosiasi sebagai berikut: Komputer = perangkat lunak keuangan (support=2,confidence=60) Nilai support dan confidence pada aturan tersebut di atas adalah dua pengukuran untuk pola kecenderungan dalam transaksi tersebut. Setiap pengukuran yang obyektif untuk pola yang menarik didasarkan pada struktur dari pola itu sendiri dan nilai statistik yang mendasarinya. Secara umum, setiap pengukuran diasosiasikan dengan sebuah nilai threshold yang nilainya dapat ditentukan sendiri oleh pengguna data mining. Aturan asosiasi yang tidak menggunakan threshold cenderung tidak menarik karena tidak merepresentasikan pengetahuan kepada pengguna data mining. Salah satu faktor yang memberikan konstribusi untuk menentukan apakah suatu pola menarik atau tidak adalah kesederhanaannya dalam pemahaman manusia. Semakin kompleks struktur sebuah aturan, maka semakin sulit untuk diinterpretasikan sehingga pola yang dibentuk semakin