Azmi, Mardhiatul
(2023)
Komparasi Kinerja Algoritma K-Means dan K-Medoids dalam Pengelompokan Kabupaten/Kota di Sumatera Berdasarkan Indikator Kemiskinan.
Skripsi thesis, Fakultas Matematika & Ilmu Pengetahuan Alam.
Abstract
K-Means adalah metode non hirarki yang membagi data menjadi beberapa kelompok berdasarkan jarak terdekat antara objek dengan centroid data. K- Medoids adalah metode non hirarki clustering yang membagi data menjadi beberapa kelompok berdasarkan jarak terdekat antara objek dengan medoiddata. Untuk mengetahui metode terbaik diantara kedua metode tersebut, maka dilakukan pengelompokan pada data kemiskinan di Sumatera tahun 2021, dimana pada saat itu angka kemiskinan naik dibandingkan tahun sebelumnya dikarenakan masih terjadinya pandemi Covid-19. Kemiskinan merupakan ketidakmampuanseseorang dalam memenuhi kebutuhan hidupnya, baik itu berupa makananmaupun bukan makanan. Pengelompokan dilakukan agar dapat mengetahui
karakteristik dari masing-masing kabupaten/kota, yang mana nantinya diharapkan dapat menjadi acuan bagi pemerintah dalam pengambilan keputusan. Penelitian ini merupakan penelitian terapan yang dimulai dengan mempelajari teori-teori relevan. Data yang digunakan pada penelitian ini yaitu data sekunder yang bersumber dari website BPS mengenai indikator kemiskinan. Penelitian ini bertujuan untuk mengetahui kelompok daerah berdasarkan faktorfaktor yang memengaruhi kemiskinan di Sumatera, serta membandingkan hasil pengelompokan yang telah diperoleh. Untuk mengetahui kinerja terbaik diantara kedua metode tersebut yaitu dengan melihat nilai Davies Bouldin Index (DBI) yang terendah. Hasil dari penelitian ini adalah pada algoritma k-means menghasilkan sebanyak 34 kabupaten/kota tergabung pada cluster 1, 52 kabupaten/kota padacluster 2, 23 kabupaten/kota pada cluster 3, dan 45 kabupaten/kota pada cluster 4. Selanjutnya hasil pengelompokan pada k-medoids yaitu pada cluster 1, 2, 3, dan4berturut-turut yaitu sebanyak 53, 40, 37, dan 24 kabupaten/kota. Berdasarkan hasil pengelompokan tersebut, diperoleh DBI k-means sebesar 1,584 dan k-medoids sebesar 2,359. Hal ini berarti bahwa algoritma k-means lebih baik daripadak- medoids, karena DBI k-means lebih kecil daripada k-medoids.
Actions (login required)
![View Item View Item](/style/images/action_view.png) |
View Item |