Penerapan Metode K-Means Untuk Pemetaan Calon Penerima Jamkesda

Waworuntu, M. Nanda Variestha; Amin, Muhammad Faisal

doi:10.20527/klik.v5i2.157

Cited by 12 publications

(11 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…From the results of the calculation of the Davies Bouldin Index, the value of determining the number of clusters is 2 clusters (0.243), 3 clusters (0.256), 4 clusters (0.275). The value used is 2 clusters because the value is close to 0 (Waworuntu & Amin, 2018) Research by Dina Sunia, Kurniabudi Kurniabudi, and Pareza Alam Jusia entitled the application of data mining for clustering data for the indigent using the k-means algorithm, data source from the BPS of the city of Jambi In March 2017 the number of indigent people was 286.55 thousand people (8.19%) Based on these figures, it can be seen that the poverty rate in Jambi City, in general, is still high. Based on these conditions, it is necessary to do clusters to help the Jambi City Social Service in grouping indigent families so that assistance can be distributed appropriately.…”

Section: Literature Reviewmentioning

confidence: 99%

K-Means Algorithm For Clustering Poverty Data in Bangka Belitung Island Province

Sugianto¹,

Bokings²

2021

CNAHPC

View full text Add to dashboard Cite

The Central Bureau of Statistics is a non-ministerial government institution that reports directly to the President. Based on data from The Central Bureau of Statistics in September 2019, the wealth rate in Indonesia was 9.22% and the number of indigent people in Indonesia reached 24.79 million. The poverty rate in the Bangka Belitung Islands Province was low compared to the national level. This is evidenced by 4.62% of people in Bangka Belitung Island Province were indigent people, which is lower than the national average of 9.22%. The data mining techniques using the K-Means Clustering method are used for this study. The research data was taken from the website of the BPS from 2014-2019 which consisted of 7 districts and/or cities with 3 variables. The variables used are the number of indigent people (in thousands), the average length of school education (years), and adjusted per capita expenditure (thousand rupiahs/year). All data is processed by Rapidminer and 3 clusters are carried out, namely: medium cluster level 0, high cluster level 1, and low cluster level 2. Cluster 0 contains districts/cities whose people have the longest average school time, high per capita expenditure, and a large number of indigent people. Cluster 1 contains districts/cities whose people have a short average school time, low per capita expenditure, a moderate number of indigent people. Cluster 2 contains districts/cities whose people have an average school time, moderate per capita expenditure, a small number of indigent people. Based on the result, the government can prioritize Kabupaten Bangka, Kabupaten Bangka Barat, Kabupaten Bangka Selatan in assisting, especially in the cost of education scholarships and social funds as well as other infrastructure improvements for the welfare of the inhabitants of Bangka Belitung Islands Province.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

K-Means Algorithm For Clustering Poverty Data in Bangka Belitung Island Province

Sugianto¹,

Bokings²

2021

CNAHPC

View full text Add to dashboard Cite

show abstract

“…Pada Kelurahan Kemuning belum ada metode yang digunakan seksi KESSOS untuk dapat mengelompokkan tingkat kemiskinan agar penerima bantuan tepat sasaran. Penelitian ini membuat penerapan metode K-Means untuk pengelompokan kemiskinan, dan dapat membantu pihak kelurahan untuk menghindari ketidak-tepatsasaran dalam penerima JAMKESDA [3] Penelitian Danang Sutejo pada tahun 2019 dengan judul "Sistem Informasi Geografis Pengelompokan Tingkat Kriminalitas Kota Malang Menggunakan Metode K-Means". Padatnya penduduk Kota Malang membuka peluang terjadinya tindakan kriminal.…”

Section: Tinjauan Pustaka 21 Penelitian Terdahuluunclassified

Pemetaan Tambak Garam Serta Produksi Garam Pada Kabupaten Pamekasan Menggunakan K-Means Clustering

Molyono¹,

Achmadi²,

Pranoto³

2021

jati

View full text Add to dashboard Cite

Di Indonesia sudah terdapat banyak daerah penghasil garam untuk memenuhi kebutuhan garam industri, akan tetapi angka produksi garam yang dihasilkan masih dibawah kebutuhan yang ada, dan salah satu daerah pengahasil tersebut adalah Kabupaten Pamekasan. Oleh karena itu dengan adanya sistem pemetaan ini diharapkan dapat mempermudah pihak Dinas Perikanan Kabupaten Pamekasan dalam meningkatkan produksi garam Kabupaten. Sistem yang dibuat adalah sistem pemetaan dimana nantinya pada tampilan pemetaan tersebut akan diberi pengelompokkan atau clustering menggunakan metode K-Means. Metode K-Means merupaka metode yang mencari partisi yang optimal dari data dengan meminimalkan kriteria jumlah kesalahan kuadrat dengan prosedur iterasi yang optimal. Pada hasil dari penelitian pemetaan tambak garam dan produkis garam pada Kabupaten Pamekasan menggunakan K-Means Clustering, dimana disini digunakan 3 cluster yaitu tidak perlu meningkatkan produksi sebagai kluster 1, cukup perlu meningkatkan produksi sebagai kluster 2, dan perlu meningkatkan produksi sebagai kluster 3. Dengan menggunakan 19 sampel data maka didapat hasil 1 data berada pada kluster 1 (5%), 5 data berada pada kluster 2 (26%), dan 13 data ada pada kluster 3 (69%), dan tingkat akurasi perhitungannya adalah 89,47%.

show abstract

“…Nilai yang yang terbaik dari beberapa nilai tersebut adalah untuk K=2 karena nilai tersebut mendekati 0. [3].…”

Section: Pendahuluanunclassified

Analisis Cluster Terhadap Karakteristik Mahasiswa Jalur Prestasi FTI UKDW

Santosa

Chrismanto

Kurniawan

2020

JEPIN

View full text Add to dashboard Cite

Analisis Clustering merupakan analisis yang sangat bermanfaat untuk proses deskripsi dan eksplorasi sekumpulan data.Â Dengan tidak tahunya informasi terhadap karakteristik data mahasiswa jalur prestasi Universitas Kristen Duta Wacana (UKDW), maka akan sangat merugikan dalam pengambilan keputusan. Tujuan dari penelitian ini melihat karakteristik cluster masing-masing angkatan dari angkatan 2008 sampai dengan 2018. Dengan menggunakan analisis cluster, juga ingin diketahui kemiripan 10 angkatan mahasiswa jalur prestasi di FTI UKDW.Â Untuk melihat cluster tiap angkatan mahasiswa FTI UKDW digunakan metode K-Means Clustering. Sedangkan untuk menemukan kemiripan dari 10 angkatan mahasiswa FTI UKDW digunakan Hierarchial Clustering. Dari hasil penelitian didapat fakta bahwa sebagai berikut: dengan menggunakan K-Means Clustering untuk pengelompokkan menjadi dua cluster, maka diperoleh bahwa cluster yang mempunyai kecenderungan IP Semester 1 (IPS1) tinggi mempunyai karakteristik: status SMA swasta, lokasi SMA di Jawa, kategori SMA umum, level bahasa Inggris level 3,Â sedangkan cluster yang mempunyai kecenderungan IPS1 rendah mempunyai karakteristik: status SMA swasta, lokasi SMA luar Jawa, kategori SMAÂ umum,Â level bahasa Inggris level 2. Apabila dilihat hasil pengelompokan tiap angkatan berdasarkan cluster yang terbentuk pada Dendrogram Hierarchical Clustering, maka Angkatan 2015 mempunyai kemiripan cluster yang paling berbeda dibandingkan dengan angkatan yang lainnya.

show abstract

Penerapan Metode K-Means Untuk Pemetaan Calon Penerima Jamkesda

Cited by 12 publications

References 0 publications

K-Means Algorithm For Clustering Poverty Data in Bangka Belitung Island Province

K-Means Algorithm For Clustering Poverty Data in Bangka Belitung Island Province

Pemetaan Tambak Garam Serta Produksi Garam Pada Kabupaten Pamekasan Menggunakan K-Means Clustering

Analisis Cluster Terhadap Karakteristik Mahasiswa Jalur Prestasi FTI UKDW

Contact Info

Product

Resources

About