PENERAPAN ALGORITMA K-MEANS DAN PENENTUAN CLUSTER OPTIMUM UNTUK MENGELOMPOKAN DAERAH KEMISKINAN DI KELURAHAN KOTA TASIKMALAYA

FADILLAH, FANNY AULIA (2022) PENERAPAN ALGORITMA K-MEANS DAN PENENTUAN CLUSTER OPTIMUM UNTUK MENGELOMPOKAN DAERAH KEMISKINAN DI KELURAHAN KOTA TASIKMALAYA. Sarjana thesis, Universitas Siliwangi.

	Text 1-Cover.pdf Download (45kB)
	Text 2-ABSTRAK.pdf Download (33kB)
	Text 3-LEMBAR PENGESAHAN.pdf Download (86kB)
	Text 4-KATA PENGANTAR, DAFTAR ISI, TABEL, GAMBAR.pdf Download (616kB)
	Text 5-BAB I.pdf Download (108kB)
	Text 6-BAB II.pdf Download (290kB)
	Text 7-BAB III.pdf Download (98kB)
	Text 8-BAB IV.pdf Restricted to Repository staff only Download (825kB)
	Text 9-BAB V.pdf Restricted to Repository staff only Download (84kB)
	Text 10-DAFTAR PUSTAKA.pdf Download (156kB)

Abstract

RINGKASAN Indonesia merupakan salah satu negara berkembang yang tingkat kemiskinannya masih menjadi suatu masalah yang harus diperhatikan oleh negara. Kemiskinan dalam jangka panjang akan menjadi pengaruh menghambatnya pembangunan negara. Tingginya persentase kemiskinan tentunya pemerintah Kota Tasikmalaya harus lebih memprioritaskan daerah kelurahan dengan angka kemiskinan tinggi. Upaya untuk menanganinya dibutuhkan teknik yang mampu mengelompokan data dengan tepat. Metode yang digunakan dalam penelitian ini untuk mengelompokan data adalah K-Means clustering. Algoritma K-Means menjadi algoritma yang efisien dan efektif dalam mengolah data dalam jumlah banyak, untuk mencari jumlah cluster terbaik. Selain melakukan pengelompokan data, nilai optimum juga sangatlah penting utuk menghasilkan cluster terbaik maka digunakan Davies Bouldin Index (DBI) untuk mengetahui jumlah cluster yang paling optimal. Hasil dari penelitian menggunakan cluster K-Means menghasilkan 2-5 cluster. Nilai yang paling optimum dengan menggunakan Davies Bouldin Index (DBI) terdapat pada 4 cluster dengan nilai DBI 0,656776375. Kata Kunci: Kemiskinan, Cluster, K-Means, dan DBI

Actions (login required)

View Item