Analisis Clustering Penduduk Miskin Di Provinsi Aceh Menggunakan Algoritma K-Means Dan X-Means

Abstract

Abstrak-Analisis Clustering merupakan salah satu metode yang bertujuan untuk mengelompokan data/objek berdasarkan kemiripan dan ketidakmiripan karakteristiknya. Sehingga objek yang berada pada satu cluster memiliki kemiripan yang besar dan sangat kecil bila dibandingkan dengan cluster lain. Algoritma K-means merupakan salah satu metode pengelompokan non hierarki yang paling umum digunakan, namun pada algoritma ini pengguna harus mengetahui jumlah kelompok yang akan dikelompokan. Sedangkan algoritma X-means merupakan pengembangan dari algoritma K-means, dimana algoritma ini mampu mengelompokan datanya sendiri tanpa menginput jumlah k. Algoritma X-means akan berhenti melakukan pengelompokan hingga batas cluster maksimal tercapai. Algoritma X-means juga tau kapan dan dimana centroid baru harus muncul berdasarkan perhitungan nilai Bayesian Information Criterion (BIC). Penelitian ini bertujuan untuk membandingkan hasil analisis clusteringK-means dengan X-means menggunakan data penduduk miskin provinsi Aceh tahun 2018 dan data Iris. Hasil pengujian clustering dengan data Iris memiliki tingkat kemurnian dan hasil pengelompokan yang baik dari masing-masing algoritma. Yaitu nilai purity pada K-means sebanyak 0.89 dan pada X-means 0.88 dengan nilai Davies Bouldin Index (DBI) masing-masing 0.16. Dan hasil pengujian clustering dengan data penduduk miskin menunjukkan bahwa pada algoritma K-means didapatkan tingkatan kemiskinan dengan kategori Sangat Miskin berada pada cluster nol, kategori Miskin pada cluster dua, kateogori Rentan Miskin berada pada cluster tiga dan kategori Tidak Miskin berada pada cluster satu. Dan pada algoritma X-means diperoleh tingkatan kemiskinan dengan kategori Sangat Miskin berada pada cluster satu, kategori Miskin pada cluster tiga, kategori Rentan Miskin berada pada cluster dua dan kategori Tidak Miskin berada pada cluster nol. Berdasarkan Waktu yang dibutuhkan selama proses clustering algoritma X-means memiliki kecepatan yang lebih baik yaitu 0.06second. Sedangkan K-means membutuhkan waktu selama 0.22 second. Sehingga dapat disimpulkan bahwa algoritma X-means lebih cepat dalam melakukan pengelompokan dibandingkan algoritma K-means. Kata Kunci : Penduduk Miskin, K-means, X-means, Purity, Davies Bouldin Index (DBI)

Mengelompokkan Kabupaten Atau Kota Di Provinsi Jawa Barat Berdasarkan Fasilitas Kesehatan Menggunakan Algoritma X-Means

“…Penelitian terdahulu terkait Algoritma X-Means Penelitian [6] bertujuan untuk membandingkan metode K-Means dan X-Means, Indeks Davis-Bouldin (DBI) untuk setiap algoritma adalah 0,16. hasil uji clustering dengan menggunakan data penduduk miskin menunjukkan bahwa algoritma K-means membagi tingkat kemiskinan sebagai berikut: Sangat miskin di cluster 0 miskin di cluster 2, rentan miskin ditempatkan di cluster 3 tidak Miskin termasuk dalam cluster 1. Pada algoritma X-Means, tingkat kemiskinan terbagi sebagai berikut: Sangat Miskin berada dalam cluster 1, Miskin dalam cluster 3, Rentan Miskin dalam cluster 2, dan Tidak Miskin dalam cluster 0.…”

Implementasi Algoritma X-Means Untuk Mengelompokan Penjualan Barang Di Ciledug Store

“…Oleh karena itu, dorongan untuk melakukan penyempurnaan dari algoritma K-Means ke Algoritma X-Means muncul sebagai hasil dari kebutuhan untuk mengatasi kendala-kendala ini. Melalui pendekatan yang lebih matang dan canggih, X-Means diharapkan dapat memberikan solusi yang lebih efisien dalam pengelompokan data, serta meningkatkan kualitas analisis cluster, khususnya dalam kasus penjualan barang di Perusahaan Ciledug Store [2].…”

Penerapan Algoritma K-Means Pada Data Pengangguran Di Jawa Barat

“…Penelitian yang dilakukan oleh Bustami Yusuf, Rike Mahara, Hendri Ahmadian, Sri Wahyuni, Khairan AR (2022) yang berjudul "Analisis Clustering Penduduk Miskin Di Provinsi Aceh Menggunakan Algoritma K-Means Dan K-means" Tujuan peneliti yakni mendapatkan pengelompokan data yang lebih cepat dengan memanfaatkan algoritma k-means atau K-means dalam mengkluster penduduk miskin di Aceh. Hasil dari penelitian ini adalah algoritma K-means lebih efisien melaksanakan kluster dibandingkan algoritma K-means [10].…”