Implementasi Algoritma K-Means untuk Mengelompokkan Data Tingkat Kemiskinan di Sulawesi Selatan Berdasarkan Kota/Kabupaten
Abstract
Poverty is a state in which individuals or groups lack sufficient access to the economic, social, and cultural resources required to attain a reasonable standard of living. The Central Bureau of Statistics (BPS) data offers an overview of the poverty rate in South Sulawesi province, although it only presents the poverty rate categorized by district or city. In order to prioritize their answers, the government must possess knowledge about the regions with the highest and lowest poverty rates to effectively address poverty. Hence, it is crucial to categorize districts or municipalities in South Sulawesi according to their poverty rate. This would enable the government to develop suitable policies or strategies to alleviate poverty while considering the poverty rate in each district or municipality. The data clustering in this study was performed using the K-Means algorithm and the RapidMiner program. The findings revealed the presence of four distinct clusters of districts or municipalities, which were categorized according to their poverty levels. The clusters are categorized as follows: Cluster 0 consists of Jeneponto, Gowa, Pangkep, Luwu, and North Luwu. Cluster 1 includes Bulukumba, Takalar, Maros, Wajo, Pinrang, Enrekang, Tana Toraja, and North Toraja. Cluster 2 comprises Bone and Makassar. Lastly, Cluster 3 consists of Selayar Islands, Bantaeng, Sinjai, Barru, Soppeng, Sidrap, East Luwu, Pare-Pare, and Palopo. Cluster 2 has the greatest poverty rate or number among all the clusters.
Downloads
References
Andini, Y., Hardinata, J. T., & Purba, Y. P. (2022). Penerapan Data Mining pada Tata Letak Buku Di Perpustakaan Sintong Bingei Pematangsiantar dengan Metode Apriori. Jurasik (Jurnal Riset Sistem Informasi dan Teknik Informatika), 7(1), 13. https://doi.org/10.30645/jurasik.v7i1.410
Anwar, A. A. (2023). Faktor-Faktor Yang Mempengaruhi Kemiskinan Di Jawa Tengah Periode 2002-2021 Analisis Data Time Series.
Asih, D. P. A., Irawan, B., & Bahtiar, A. (2024). PENGELOMPOKAN DATA TRANSAKSI DALAM MENENTUKAN STRATEGI PENJUALAN MENGGUNAKAN ALGORITMA K-MEANS. 8(1).
Aulia, S. (2021). KLASTERISASI POLA PENJUALAN PESTISIDA MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS DI TOKO JUANDA TANI KECAMATAN HUTABAYU RAJA). Djtechno: Jurnal Teknologi Informasi, 1(1), 1–5. https://doi.org/10.46576/djtechno.v1i1.964
Badan Pusat Statistik Provinsi Sulawesi Selatan. (t.t.). Diambil 29 Februari 2024, dari https://sulsel.bps.go.id/indicator/23/454/1/jumlah-penduduk-miskin-ribu-jiwa-menurut-kabupaten-kota-se-sulawesi-selatan.html
Fajriani, F. (2019). Persebaran Tingkat Kemiskinan di Sulawesi Selatan Menggunakan K-Means Clustering Analysis.
Fauzi, I. A., & Dana, R. D. (2023). Implementasi Data Mining Clustering Dalam Mengelompokan Kasus Perceraian Yang Terjadi Di Provinsi Jawa Barat Menggunakan Algoritma K-Means. 1.
Hastari, D., Nurunnisa, F., Winanda, S., & Aprillia, D. D. (2023). Application of K-Means and K-Medoids Algorithms for Grouping Country Data Based on Socio-Economic and Health Factors.
Hidayat, F. P., Putra, R. P., Alfitrah, M. D., & Widodo, E. (2023). Implementasi Clustering K-Medoids dalam Pengelompokan Kabupaten di Provinsi Aceh Berdasarkan Faktor yang Mempengaruhi Kemiskinan. Indonesian Journal of Applied Statistics, 5(2), 121. https://doi.org/10.13057/ijas.v5i2.55080
Kristanto, B., Turmudi Zy, A., & M. Fatchan. (2023). Analisis Penentuan Karyawan Tetap Dengan Algoritma K-Means Dan Davies Bouldin Index. Bulletin of Information Technology (BIT), 4(1), 112–120. https://doi.org/10.47065/bit.v4i1.521
Lesmana, B. (2021). Pengelompokan Pengiriman Hasil Kelapa Sawit Berdasarkan Tonase dan Kwalitas Menggunakan Metode Clustering (Studi Kasus: KUD Bumi Pusaka).
Mohammad Ferdiansyah & Umi Chotijah. (2024). Implementasi Algoritme K-Means++ Untuk Clustering Penjualan Bahan Bangunan. Jurnal Ilmiah Teknik Informatika dan Komunikasi, 4(1), 181–193. https://doi.org/10.55606/juitik.v4i1.767
Muningsih, E., Maryani, I., & Handayani, V. R. (2021). Penerapan Metode K-Means dan Optimasi Jumlah Cluster dengan Index Davies Bouldin untuk Clustering Propinsi Berdasarkan Potensi Desa. 9(1).
Ordila, R., Wahyuni, R., Irawan, Y., & Yulia Sari, M. (2020). PENERAPAN DATA MINING UNTUK PENGELOMPOKAN DATA REKAM MEDIS PASIEN BERDASARKAN JENIS PENYAKIT DENGAN ALGORITMA CLUSTERING (Studi Kasus: Poli Klinik PT.Inecda). Jurnal Ilmu Komputer, 9(2), 148–153. https://doi.org/10.33060/JIK/2020/Vol9.Iss2.181
Prasetyaningrum, E., & Susanti, P. (2023). Perbandingan Algoritma K-Means Dan K-Medoids Untuk Pemetaan Hasil Produksi Buah-Buahan. 7.
Rafi Nahjan, M., Nono Heryana, & Apriade Voutama. (2023). IMPLEMENTASI RAPIDMINER DENGAN METODE CLUSTERING K-MEANS UNTUK ANALISA PENJUALAN PADA TOKO OJ CELL. JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), 101–104. https://doi.org/10.36040/jati.v7i1.6094
Regina, S., Sutinah, E., & Agustina, N. (2021). Clustering Kualitas Kinerja Karyawan Pada Perusahaan Bahan Kimia Menggunakan Algoritma K-Means. JURNAL MEDIA INFORMATIKA BUDIDARMA, 5(2), 573. https://doi.org/10.30865/mib.v5i2.2909
Sugianto, C. A., Rahayu, A. H., & Gusman, A. (2020). Algoritma K-Means untuk Pengelompokkan Penyakit Pasien pada Puskesmas Cigugur Tengah. Journal of Information Technology, 2(2), 39–44. https://doi.org/10.47292/joint.v2i2.30
Suhartini, S., & Yuliani, R. (2021). Penerapan Data Mining untuk Mengcluster Data Penduduk Miskin Menggunakan Algoritma K-Means di Dusun Bagik Endep Sukamulia Timur. Infotek : Jurnal Informatika dan Teknologi, 4(1), 39–50. https://doi.org/10.29408/jit.v4i1.2986
Waworuntu, M. N. V., & Amin, M. F. (2018). PENERAPAN METODE K-MEANS PEMETAAN CALON PENERIMA JAMKESDA. 05.
Widayani, W., & Harliana, H. (2020). Perbandingan Algoritma K-Means dan SFCM Pada Pengelompokkan Rumah Tangga Miskin. Jurnal Sains dan Informatika, 6(1), 1–9. https://doi.org/10.34128/jsi.v6i1.200
JISTI
