Perbandingan Algoritma K-Means dan SFCM Pada Pengelompokkan Rumah Tangga Miskin

Abstract

Secara definisi rumah tangga miskin dan penduduk miskin memiliki sudut pandang yang berbeda, dimana definisi rumah tangga miskin akan lebih ditekankan kepada individu yang akan dijadikan survey dalam menentukan penduduk miskin sedangkan penduduk miskin lebih kepada kumpulan dari beberapa rumah tangga miskin. Penelitian ini dilakukan untuk membandingkan antara algoritma K-Means dan Fuzzy Substractive Clustering (SFCM) dalam mengelompokkan rumah tangga miskin. Kedua algoritma ini akan dibandingkan berdasarkan simpangan baku dan validitas hasil pengelompokkan yang dihasilkan. Berdasarkan 6 pengujian yang telah dilakukan, maka didapatkan hasil bahwa dari sisi waktu algoritma K-Means mampu mengelompokkan lebih cepat bila dibandingkan dengan algoritma SFCM, namun dari sisi simpangan baku kelompok, simpangan baku antar kelompok, maupun akurasi maka algoritma SFCM memiliki performa yang lebih baik bila dibandingkan dengan algoritma K-Means

Klasterisasi Data Balita Stunting Di Kecamatan Wilayah Kabupaten Ciamis Berdasarkan Prevalensi Dengan Menggunakan Algoritma K-Means

“…Algoritma K-Means mampu menghasilkan akurasi atau tingkat ketelitian yang maksimal dengan sifatnya yang linear, waktu eksekusi algoritma ini relatif cepat dan mudah untuk diadaptasikan [1]. Terbukti pada penelitian yang dilakukan oleh Widayani & Harliana yang membandingkan algoritma K-Means dengan Subtractive Fuzzy C-Means (SFCM) dalam mengelompokkan data rumah tangga miskin di Kabupaten Cirebon, hasil penelitiannya menunjukkan bahwa algoritma K-Means memberikan waktu eksekusi lebih cepat dibanding SFCM, dimana K-Means memerlukan waktu 9 detik, sedangkan SFCM memerlukan waktu 13.3 detik [3]. Penelitian yang dilakukan oleh Kamila, dkk.…”

Aplikasi Multimedia Interaktif Pengenalan Pura Bukit Indrakila Kabupaten Bangli Berbasis Android

“…Android (Ni Kadek Sukerti dkk) Pengujian aplikasi bertujuan untuk mengetahui apakah sistem sudah berjalan sesuai tujuan atau masih ada beberapa kesalahan atau kekurangan pada sistem [13]. Pengujian yang dilakukan terhadap Aplikasi Multimedia Interaktif Pengenalan Pura Bukit Indrakila Kabupaten Bangli Berbasis Android adalah menggunakan dua metode pengujian yaitu Black Box dan System Usability Scale (SUS).…”

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

“…The two algorithms will be compared based on the standard deviation and the validity of the resulting grouping results. Based on 6 tests the K-Means algorithm can classify faster when compared to the SFCM algorithm, but in terms of group standard deviation, standard deviation between groups, and accuracy, the SFCM algorithm has better performance when compared to the K-Means algorithm (Widayani & Harliana, 2020).…”

“…The use of this algorithm in the clustering process depends on the data obtained and what is to be achieved at the end of the process (Agustina et al, 2012). In terms of time, the K-Means algorithm can classify faster when compared to the SFCM algorithm (Widayani & Harliana, 2020). K-means clustering is one of the most efficient partitioning methods and has been used in various applications because of its simplicity and can achieve fast convergence (Fajriani, 2019) The k-means algorithm has been shown to provide more optimal cluster results than the classical algorithm in clustering analysis (Fajriani, 2019) The k-means algorithm is better than the k-medoids algorithm (Sugianto et al, 2020).…”