Pemanfaatan Algoritma K-Means untuk Pengelompokkan Angka Partisipasi Sekolah di Jawa Tengah

Abstract

In Indonesia, the School Participation Rate (APS) is recognized as one of the indicators of the success of developing education services in regions, whether Province, Regency, or City. The higher the rate of school enrollment, the more successful an area is at providing access to educational services. The dataset was obtained from the Central Statistics Agency (BPS) of Central Java Province's website. The object studied is the percentage of APS in the Central Java region from 2017 to 2019 for ages 7 to 12, 13 to 15, and 16 to 18. The study's goal was to conduct an analysis in the form of mapping the School Participation Rate in the districts and cities of Central Java, the third most populous province after West and East Java. RapidMiner software is used in the analysis process. The research output is a map of clusters of areas in the Regency and City areas. The k-means method, which is part of clustering data mining, is the solution method offered. The number of mapping clusters in this study was divided into two categories: high (C1) and low (C2) clusters. According to the study's findings, the mapping of the 7-12 year old cluster was 24 provinces in the high cluster (cluster 0) and 11 provinces in the low cluster (cluster 1); the mapping of the 13-15 year old cluster is 23 provinces in the high cluster (cluster 0) and 12 provinces in the low cluster (cluster 1); and the mapping of the 16-18 year old cluster is 15 provinces in the low cluster (cluster 1). Cluster determination is based on the final centroid value, with the final centroid value of the 7-12 year old cluster being high (cluster 0) 99.81, 99.87, 99.75; low (cluster 1) 99.73, 99.43, 99.25; and the centroid value of the 13-15 year old cluster being high (cluster 0) 97.52, 97.12, 96.93; low (cluster 1) 93.78, 93.58 Overall, the mapping results show a high percentage for all age groups, which is greater than 50% in the high cluster. In detail, 24 provinces (57 percent) are in the low cluster for the 16-18 year age group. The research findings can provide a macro picture of the level of development of the School Enrollment Rate over the last few years

Penerapan Metode K-Means Clustering Untuk Mengelompokkan Data Kelayakan Penerima Bantuan Renovasi Rumah

“…[2]- [4] Penelitian ini didukung dengan penelitian terkait pada tahun 2019 yang dilakukan oleh Dina Sunia dkk dengan judul Penerapan Data Mining Untuk Clustering Data Penduduk Miskin Menggunakan Algoritma K-Means, pada penilitian ini juga membahas tentang kasus kemiskinan yang tidak tepat sasaran, dalam penelitian ini menentukan 5 cluster dengan hasil 13 penduduk masuk sebagai anggota klaster 1, 153 penduduk berada diklaster 2, 129 penduduk di klaster 3, 138 penduduk berada di klaster 4, dan 79 penduduk berada di klaster 5, dengan hasil tersebut penelitian sukses dilakukan dalam menentukan clustering dapa penduduk miskin. [5] Penelitian lainnya pada tahun 2020 yang dilakukan oleh Nur Afriani Manihuruk dkk, dengan judul Penerapan Data Mining Dalam Mengelompokkan Calon Penerima Beasiswa Dengan Menggunakan Algoritma K-Means, penelitian ini bertujuan untuk mencari pengelompokkan data yang ada pada siswa yang berhak menerima beasiswa, penelitian ini dilakukan pengujian menggunakan rapid miner dengan 3 cluster yaitu cluster tingkat tinggi, cluster tingkat sedang dan cluster tingkat rendah, dan hasil dari pengujian rapid miner diperoleh hasil cluster 1 dengan hasil 73 data, cluster 2 dengan hasil 30 data, dan cluster 3 dengan hasil 25 data. [3], [6], [7] Penelitian lainnya yang mendukung dengan penelitian terkait dilakukan pada tahun 2022 oleh Aviv Fitria Yulia dan Handoyo Widi Nugroho, dengan judul Implementasi Algoritma K-Means Classifier Sebagai Pendukung Keputusan Penerima Dana Bantuan Siswa Miskin (Studi Kasus : SMKN Sukoharjo), pada penelitian ini bertujuan dalam mengambil keputusan penerima bantuan dana siswa yang kurang mampu, attribute yang digunakan dalam penerima bantuan adalah nilai rata-rata rapor, penghasilan orang tua siswa, tanggungan orang tua siswa, dan jarak tempuh ke sekolah, dalam penelitian ini cluster di bagi menjadi 3, yaitu cluster 0 layak menerima bantuan siswa miskin ,cluster 1 dapat di pertimbangkan menerima bantuan siswa miskin dan cluster 2 tidak layak menerima bantuan siswa miskin, maka hasil yang didapatkan dari pengujian manual dan pengujian rapid miner pada penilitian ini didapatkan hasil yang sama, yaitu cluster 0 sebanyak 393 siswa, cluster 1 sebanyak 278 siswa dan cluster 2 sebanyak 373 dari dataset yamg di uji sebanyak 1044.…”

“…3.3 Algoritma K-Means ClusteringSetelah didapatkan hasil dari normalisasi kemudian data bisa dilakukan clustering menggunakan algoritma k-means, Langkah pertama dalam dilakukan pada tahap k means adalah menentukan titik pusat centroid, penentuan titik pusat dilakukan dengan data random dan tidak memiliki kesamaan antara data, berikut titik pusat centroid:[5],[6]. Pada Tabel 13 dibawah ini merupakan titik pusat centroid Tabel 13.…”

Desain Algoritma K-means Clustering untuk Klasifikasi Kematangan Jeruk Siam Pontianak

“…Posisi centroid akan dihitung ulang sampai semua komponen data dikelompokan ke dalam setiap centroid dan akhirnya akan terbentuk posisi centroid yang baru. Iterasi akan berhenti jika sudah tidak ada data yang berpindah ke cluster lain [6]…”