Metode K-Means Clustering untuk Pengelompokan Kabupaten/Kota dalam Upaya Pengendalian Tingkat Inflasi di Pulau Jawa dan Sumatera

Haryanto, Albertus Eka Putra; Yanuar, Maria Ulfa

doi:10.21787/govstat.1.2022.29-42

Cited by 2 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Meski Pemerintah telah meluncurkan berbagai program untuk mengurangi kemiskinan seperti PKH, Raskin, dan BIDIKMISI, tetapi tantangan kemiskinan tetap ada. Salah satu hambatan utama adalah distribusi bantuan yang tidak efisien dan tidak sesuai sasaran akibat data yang kurang valid [4]. Oleh karena itu, studi ini bertujuan untuk mengeksplorasi solusi untuk masalah kemiskinan di Desa Greged.…”

Section: Pendahuluanunclassified

Clustering Penduduk Miskin Untuk Penerima Bantuan Sosial Menggunakan Algoritma K-Means

Subur,

Martanto,

Hayati

2024

jati

View full text Add to dashboard Cite

Penyaluran bantuan sosial merupakan strategi vital yang diterapkan oleh pemerintah dan organisasi kemanusiaan untuk memberikan dukungan finansial atau materi kepada individu atau kelompok yang memerlukan. Salah satu kesulitan yang terkadang dihadapi Pemerintah dalam proses penanganan kemiskinan adalah proses pembagian bantuan sosial yang tidak merata dan tidak tepat sasaran. Ini disebabkan karena validasi data sering diabaikan sehingga sering menimbulkan data yang tidak akurat. Tujuan dari penelitian ini penulis mencoba untuk menerapkan Teknik clustering dengan menggunakan algoritma K-Means sebagai metode penyelesaian dalam mengelompokkan data penduduk di Desa Greged yang memang dikatakan tergolong penduduk yang berhak menerima bantuan sosial. . Evaluasi dilakukan di software rapidminer dengan operator cluster distance performance dengan hasil 10 percobaan dengan menggunakan algoritma K-Means Clustering menunjukkan bahwa nilai K yang Paling optimal adalah K=10. Nilai DBI untuk K=10 adalah 0,049, yang menunjukan bahwa cluster-cluster penerima bantuan sosial memiliki tingkat kekompakan yang tinggi dan tingkat kesenjangan antar cluster yang rendah. Hal ini mengindikasikan bahwa penerima bantuan sosial di Desa Greged dapat di kelompokkan menjadi 10 cluster yang berbeda berdasarkan karakteristik demografis, ekonomi, dan sosial mereka.

show abstract

Section: Pendahuluanunclassified

Clustering Penduduk Miskin Untuk Penerima Bantuan Sosial Menggunakan Algoritma K-Means

Subur,

Martanto,

Hayati

2024

jati

View full text Add to dashboard Cite

show abstract

“…Penelitian dengan mengelompokkan kabupaten/kota berdasarkan nilai inflasi sebelumnya telah dilakukan oleh (Haryanto and Yanuar, 2022) dengan tujuan penelitian untuk mengelompokkan tingkat inflasi kabupaten/kota di Pulau Jawa dan Sumatera menggunakan metode K-Means clustering. Objek yang digunakan pada penelitian ini merupakan semua wilayah ibu kota provinsi seluruh Indonesia (34 wilayah) yang terukur tingkat inflasinya oleh Badan Pusat Statistik (BPS).…”

Section: Ekspektasi Inflasiunclassified

Klasifikasi Inflasi 34 Ibukota Provinsi Di Indonesia Sebelum Dan Saat Covid-19 Melalui Pengelompokan Wilayah Dengan K-Means Clustering

Etrisia,

Alexandi,

Asmara

2023

JEP

View full text Add to dashboard Cite

The magnitude of the national inflation rate is the formation of aggregate figures from regional inflation. Formulating policies that target inflation is increasingly complex in the era of regional autonomy because each region has different factors and conditions that make it difficult to control. For this reason, special attention is needed in dealing with regional inflation. This study aims to classify regional inflation that occurred in Indonesia before and during the Covid-19 pandemic through a clustering approach using the K-Means Clustering method. The secondary data used in this study comes from the Central Bureau of Statistics (BPS) publications of the Republic of Indonesia. The results showed that after clustering, there were 19 provinces (55.88%) that experienced a decrease in the cluster level, 6 provinces (17.64%) experienced an increase in the cluster level and 9 provinces (26.4%) were stable at the cluster level. Overall, the Covid-19 outbreak that has hit the world economy has harmed provinces in Indonesia. This can be observed from the largest percentage of clusters, namely provinces that experienced a decrease in the inflation category, which was 55.88% and the highest number of provinces which were originally in 2017 were in cluster 3 (high inflation category) in 2021 which shifted to cluster 1 (inflation category). low). Based on the Paired Sample T-Test, there was a significant difference in clustering before Covid-19 (2017) and during Covid-19 (2021).

show abstract

Metode K-Means Clustering untuk Pengelompokan Kabupaten/Kota dalam Upaya Pengendalian Tingkat Inflasi di Pulau Jawa dan Sumatera

Cited by 2 publications

References 0 publications

Clustering Penduduk Miskin Untuk Penerima Bantuan Sosial Menggunakan Algoritma K-Means

Clustering Penduduk Miskin Untuk Penerima Bantuan Sosial Menggunakan Algoritma K-Means

Klasifikasi Inflasi 34 Ibukota Provinsi Di Indonesia Sebelum Dan Saat Covid-19 Melalui Pengelompokan Wilayah Dengan K-Means Clustering

Contact Info

Product

Resources

About