Professional Documents
Culture Documents
Metode K-Means Untuk Pengelompokan Masyarakat Miskin Dengan Menggunakan Jarak Kedekatan Manhattan City Dan Euclidean (Studi Kasus Kota Binjai)
Metode K-Means Untuk Pengelompokan Masyarakat Miskin Dengan Menggunakan Jarak Kedekatan Manhattan City Dan Euclidean (Studi Kasus Kota Binjai)
INFORMATION SYSTEM
SYSTEM DEVELOPMENT
DEVELOPMENT [ISD]
(ISD) [VOLUME [VOLUME
4 NO.2 JULI4 2019]
NO.2 JULI 2019]
Abstract-- The occurrence of poverty in the community is caused by the inability of the family
head economically to meet the primary needs of family members, namely clothing, food,
shelter, health, and education needs. The poor are almost present in every country, city,
and region, this becomes a common problem. The current poverty data obtained from
the Binjai City Central Bureau of Statistics is from 2012, and the number of poor people
has increased in 2016 by 17,800 people with a poverty line (Rp. /Cap/month) of Rp.
343,078 and the latest data obtained in 2017 were 18,230 people with Poverty Lines
(Rp. / Kap / Bulan) Rp. 371,387. In the database of the Binjai City Central Bureau of
Statistics there are very diverse data on the poor, with this data, researchers try to
explore data from the poor city of Binjai to obtain new information by grouping poverty
data using the k-means clustering data mining method using distance the closeness of
Manhattan City and Euclidean, so that groups of variables that are very influential in
the community of poverty can be identified. The observed variables such as the level of
education of the household head, education level of housewives, employment, number of
family members, and other observed variables affect poverty. And the results of the k-
means method for grouping poor people using proximity to Manhattan city and
euclidean that can provide additional information in optimizing poverty alleviation in
the city of Binjai..
Abstrak-- Terjadinya kemiskinan pada masyarakat disebabkan oleh ketidak mampuan kepala
keluarga secara ekonomi untuk memenuhi kebutuhan primer anggota keluarganya, yaitu
kebutuhan sandang, pangan, papan, kesehatan dan pendidikan. Masyarakat miskin
hampir terdapat pada setiap negara, kota maupun daerah, hal ini menjadi permasalahan
bersama. Data kemiskinan untuk saat ini yang diperoleh dari Badan Pusat Statistik Kota
Binjai terdapat dari tahun 2012, dan semakin tahun jumlah penduduk miskin makin
bertambah pada tahun 2016 sebanyak 17.800 jiwa dengan Garis Kemiskinan
(Rp/Kap/Bulan) Rp. 343,078 dan data terakhir yang diperoleh pada tahun 2017
sebanyak 18.230 jiwa dengan Garis Kemiskinan (Rp/Kap/Bulan) Rp. 371,387. Pada
database Badan Pusat Statistik Kota Binjai terdapat data masyarakat miskin yang
sangat beragam, dengan adanya data ini, peneliti mencoba untuk menggali data
masyarakat miskin kota binjai untuk mendapatkan informasi baru dengan
15 mengelompokkan data-data kemiskinan menggunakan metode data mining k-means
| Metode K-Means Untuk Pengelompokan....
INFORMATION
INFORMATION SYSTEM
SYSTEM DEVELOPMENT
DEVELOPMENT [ISD]
(ISD) [VOLUME [VOLUME
4 NO.2 JULI4 2019]
NO.2 JULI 2019]
PENDAHULUAN
Kemiskinan yang terjadi pada masyarkat Tabel 1. Kemiskinan Kota Binjai Tahun 2012 –
merupakan masalah utama yang menjadi 2017
perhatian pemerintah di negara manapun di Persen Indeks Indeks
berbagai pemerintahan provinsi, kabupaten dan Garis tase Kedalam Kepara
kota. Berbagai cara penanggulangan Tah
Kemisk Pendu an han
kemiskinan telah dilakukan oleh pemerintah un
inan duk Kemiski Kemisk
seperti pemberian bantuan-bantuan masyarakat Miskin nan inan
miskin berupa tunjangan, Jaminan Kesehatan 2012 295 265 6.72 0.54 0.009
Masyarakat, Beras Miskin (Raskin), Bantuan
2013 305 596 6.75 0.88 0.21
Biaya Pendidikan Peningkatan Prestasi
Akademik (BBP-PPA), Bantuan Biaya 2014 310 384 6.38 0.88 0.21
Pendidikan yang hanya ditujukan untuk calon 2015 322 091 7.03 0.81 0.17
mahasiswa tidak mampu/miskin (BIDIKMISI),
2016 343 078 6.67 1.33 0.45
dan program-program lainnya, tetapi yang pada
kenyataannya masalah kemiskinan belum dapat 2017 371 387 6.75 1.11 0.34
ditangulangi.
Pemerintah telah melaksanakan Melihat permasalahan di atas, penulis tertarik untuk
penanggulangan kemiskinan melalui berbagai melakukan penelitian dengan
program dalam upaya pemenuhan kebutuhan mengimplementasikan Data Mining pada data
dasar warga negara secara layak, meningkatkan masyarakat miskin kota Binjai menggunakan
kesejahteraan sosial ekonomi masyarakat algoritma K-Means Clustering, sehingga dapat
miskin, penguatan kelembagaan sosial ekonomi diketahui kelompok variabel-variabel yang sangat
masyarakat serta melaksanakan percepatan berpengaruh pada data kemiskinan. Dan hasilnya
pembangunan daerah tertinggal dalam upaya dapat memberikan informasi tambahan dalam
mencapai masyarakat Indonesia yang sejahtera, mengoptimalkan penanggulangan kemiskinan kota
demokratis dan berkeadilan. Namun Binjai bagi para pemangku kepentingan khususnya
keseluruhan upaya tersebut belum maksimal bagi pemerintahan Kota Binjai, Pemerintahan Pusat
jika tanpa dukungan dari para pemangku dan Tim Nasional Percepatan Penanggulangan
kepentingan lainnya. Kemiskinan (TNP2K).
Data yang diperoleh dari Badan Pusat Statistik
Kota Binjai di jabarkan pada tabel dibawah ini PENELITIAN TERDAHULU
https://binjaikota.bps.go.id/ [1] : Penelitian terdahulu, diambil beberapa contoh
Penelitian terdahulu, diambil beberapa contoh
penelitian terdahulu sebagai panduan ataupun
contoh untuk penelitian yang dilakukan yang
nantinya akan menjadi acuan dan perbandingan
dalam melakukan penelitian ini. Dalam state of the
16 art ini terdapat empat jurnal yang merupakan jurnal
nasional, untuk lebih detailnya dijabarkan dalam
| Metode K-Means Untuk Pengelompokan....
INFORMATION
INFORMATION SYSTEM
SYSTEM DEVELOPMENT
DEVELOPMENT [ISD]
(ISD) [VOLUME 4[VOLUME
NO.2 JULI42019]
NO.2 JULI 2019]
Jarak Dari C2
Jarak Dari C3
Jarak Dari CI
T rti
a Peke
Group
L(5 − 5)/ + (5−2)/ + (1−4)/ = 4.24 N
o
R
u n
ng
gi
rjaa
n
Bagian R (2;3;2) m g Su
Uta
a g a
K = 3, centroid1 = (3;1;6), centroid2 = h u mi
ma
n Sua
(2;3;4),centroid 3 = (5;2;4) g mi
T
Jarak dari C 1 (X) = a a
n n
L(2 − 3)/ + (3 − 1)/ + (2−6)/ = 4.58 g
Jarak dari C 2 (Y) = g
a
L(2 − 2)/ + (3 − 3)/ + (2−4)/ = 3 X Y Z
Jarak dari C 3 (Z) = 1 A 3 1 6
0. 3. 3.
1
00 00 00
L(2 − 5)/ + (3 − 2)/ + (2 − 4)/
= 3.74 3. 0. 3.
2 B 2 3 4 2
Bagian S (1;5;4) 00 00 16
3. 3. 0.
3 C 5 2 4 3
K = 3, centroid1 = (3;1;6), centroid2 = 01 32 00
5. 3. 3.
(2;3;4),centroid 3 = (5;2;4) 4 D 4 4 2
10 74 00
3
2. 2. 4.
L(1 − 5)/ + (5 − 2)/ + (4 − 4)/ = 5 9 I 1 1 6
00 45 59
1
Bagian T (1;4;1) 1
J 1 3 4
4. 3. 3.
2
0 58 00 74
K = 3, centroid1 = (3;1;6), centroid2 = 1 3. 2. 1.
K 4 3 3 3
(2;3;4),centroid 3 = (5;2;4) 1 74 82 73
1 4. 4. 2.
Jarak dari C 1 (X) = 2
L 5 2 2
58 35 00
3
1 3. 2. 3.
L(1 − 3)/ + (4−1)/ + (1 − 6)/ = 6.16 3
M 2 3 3
74 00 31
2
sebagai berikut:
Group berdasarkan jarak minimal ke Centroid
terdekat yaitu :
Tabel 6. Hasil Menghitung Jarak ke Jika jarak terpendek berada di C1 maka
Centroid- Iterasi 1 Dan Penentuan Group dimasukan di kelompok 1
23 | Metode K-Means Untuk Pengelompokan....
INFORMATION
INFORMATION SYSTEM
SYSTEM DEVELOPMENT
DEVELOPMENT [ISD]
(ISD) [VOLUME 4[VOLUME
NO.2 JULI42019]
NO.2 JULI 2019]
centroid 2 = (1,37 ; 3,5 ; 3), centroid 3 = L(3 − 1,37)/ + (2 − 3,5)/ + (6−3)/ = 2.73
(4,33 ; 3 ; 2,33) Jarak dari C 3 (Z) =
Jarak dari C 1 (X) =
L(3 − 4,33)/ + (2 − 3)/ + (6−2,33)/ =
L(2 − 2,5)/ + (3−1.77)/ + (3 − 5,33)/ 4.03
= 0.62
Jarak dari C 2 (Y) = Bagian I (1;1;6)
L(2 − 1,37)/ + (3 − 3,5)/ + (3 − 3)/ = K = 3, centroid 1 = (2,5 ; 1,17 ; 5,33),
3.26 centroid 2 = (1,37 ; 3,5 ; 3), centroid 3 =
Jarak dari C 3 (Z) = (4,33 ; 3 ; 2,33)
L(2 − 4,33)/ + (3 − 3)/ + (3 − 2,33)/ = Jarak dari C 1 (X) =
4.07 L(1 − 2,5)/ + (1 − 1.77)/ + (6 − 5,33)/ =
Bagian F (1;5;1) 1.65
K = 3, centroid 1 = (2,5 ; 1,17 ; 5,33), Jarak dari C 2 (Y) =
centroid 2 = (1,37 ; 3,5 ; 3), centroid 3 = L(1 − 1,37)/ + (1 − 3,5)/ + (6−3)/ = 3.92
(4,33 ; 3 ; 2,33) Jarak dari C 3 (Z) =
Jarak dari C 1 (X) =
L(1 − 4,33)/ + (1 − 3)/ + (6−2,33)/ =
L(1 − 2,5)/ + (5 − 1.77)/ + (1 − 5,33)/ 5.43
= 5.97 Bagian J (2;3;4)
Jarak dari C 2 (Y) = K = 3, centroid 1 = (2,5 ; 1,17 ; 5,33),
L(1 − 1,37)/ + (5−3,5)/ + (1 − 3)/ = centroid 2 = (1,37 ; 3,5 ; 3), centroid 3 =
2.52 (4,33 ; 3 ; 2,33)
Jarak dari C 3 (Z) = Jarak dari C 1 (X) =
L(1 − 4,33)/ + (5 − 3)/ + (1 − 2,33)/ = L(2 − 2,5)/ + (3 − 1.77)/ + (4 − 5,33)/ =
4.11 3.83
Bagian G (1;3;5) Jarak dari C 2 (Y) =
K = 3, centroid 1 = (2,5 ; 1,17 ; 5,33), L(2 − 1,37)/ + (3 − 3,5)/ + (4−3)/ = 1.28
centroid 2 = (1,37 ; 3,5 ; 3), centroid 3 = Jarak dari C 3 (Z) =
(4,33 ; 3 ; 2,33)
L(2 − 4,33)/ + (3−3)/ + (4 − 2,33)/ =
Jarak dari C 1 (X) =
2.35
L(1 − 2,5)/ + (3−1.77)/ + (5−5,33)/ = Bagian K (4;3;3)
2.39 K = 3, centroid 1 = (2,5 ; 1,17 ; 5,33),
Jarak dari C 2 (Y) = centroid 2 = (1,37 ; 3,5 ; 3), centroid 3 =
L(1 − 1,37)/ + (3 − 3,5)/ + (5−3)/ = (4,33 ; 3 ; 2,33)
2.10 Jarak dari C 1 (X) =
Jarak dari C 3 (Z) = L(4 − 2,5)/ + (3 − 1.77)/ + (3 − 5,33)/ =
L(1 − 4,33)/ + (3 − 3)/ + (5 − 2,33)/ = 3.32
4.27 Jarak dari C 2 (Y) =
Bagian H (3;2;6) L(4 − 1,37)/ + (3 − 3,5)/ + (3−3)/ = 2.68
K = 3, centroid 1 = (2,5 ; 1,17 ; 5,33), Jarak dari C 3 (Z) =
centroid 2 = (1,37 ; 3,5 ; 3), centroid 3 =
L(4 − 4,33)/ + (3 − 3)/ + (3 − 2,33)/ =
(4,33 ; 3 ; 2,33)
0.75
Jarak dari C 1 (X) =
Bagian L (5;2;2)
L(3 − 2,5)/ + (2 − 1.77)/ + (6 − 5,33)/ K = 3, centroid 1 = (2,5 ; 1,17 ; 5,33),
= 1.18 centroid 2 = (1,37 ; 3,5 ; 3), centroid 3 =
Jarak dari C 2 (Y) = (4,33 ; 3 ; 2,33)
25 | Metode K-Means Untuk Pengelompokan....
INFORMATION
INFORMATION SYSTEM
SYSTEM DEVELOPMENT
DEVELOPMENT [ISD]
(ISD) [VOLUME 4[VOLUME
NO.2 JULI42019]
NO.2 JULI 2019]
(4,33 ; 3 ; 2,33) 4 2 1
. . .
Jarak dari C 1 (X) = 4 D 4 4 2
6 8 1
3
2 5 0
L(1 − 2,5)/ + (5 − 1.77)/ + (4 − 5,33)/ 0 3 4
= 4.32 5 E 2 1 5
. . .
1
6 2 0
Jarak dari C 2 (Y) = 2 6 7
5 2 4
L(1 − 1,37)/ + (5 − 3,5)/ + (4 − 3)/ = . . .
6 F 1 5 1 2
9 5 1
1.84 7 2 1
Jarak dari C 3 (Z) = 2 2 4
. . .
L(1 − 4,33)/ + (5 − 3)/ + (4 − 2,33)/ = 7 G 1 3 5
3 1 2
2
9 0 7
4.23 1 2 4
Bagian T (1;4;1) 8 H 3 2 6
. . .
1
1 7 0
K = 3, centroid 1 = (2,5 ; 1,17 ; 5,33), 8 3 3
centroid 2 = (1,37 ; 3,5 ; 3), centroid 3 = 1 3 5
. . .
(4,33 ; 3 ; 2,33) 9 I 1 1 6
6 9 3
1
3 5 2
J 3 2 1
u 1 . . .
La O 3 2 2 3
m 5 4 4 7
pan 7 3 0
l
Na Ija gan 0 3 3
a
ma za Us 1 . . .
h P 3 1 5 1
Ke h aha 6 6 5 6
pal Te Dar
Jarak Dari C2
Jarak Dari C3
2 9 0
Jarak Dari CI
T
a rti i
Group
N a 6 4 2
Ru ng Pek
o n 1 . . .
ma gi erja Q 5 5 1 3
g 7 3 4 5
h Su an
g 0 1 0
Ta am Uta
u 3 1 2
ng i ma
n 1 . . .
ga Sua R 2 3 2 2
g 8 8 2 3
mi
a 3 8 5
n 4 1 4
X Y Z 1 . . .
S 1 5 4 2
0 4 4 9 3 8 2
. , . 2 4 3
1 A 3 1 6 1
8 2 3 5 2 3
5 3 8 2 . . .
T 1 4 1 2
2 1 2 0 3 0 7
. . . 8 9 2
2 B 2 3 4 2
3 2 8
1 8 7
2 4 2 Group berdasarkan jarak minimal ke Centroid
. . .
3 C 5 2 4
9 0 0
3 terdekat yaitu :
5 5 6
PENGELOMPOKKAN
PERFORMANCE DOSEN
DENGAN METODE CLUSTERING
PADA STMIK KAPUTAMA
BINJAI,” J. Kaputama, vol. 5, no. 2,
pp. 41–59, 2012.
[6] K. Kameshwaran and K. Malarvizhi,
“Survey on Clustering Data Mining
Techniques in Data Mining,” 2014.
[Online]. Available:
people.revoledu.com%5Ckardi%5C
tutorial%5CkMean%5C. [Accessed:
10-Aug-2018].
[7] Y. Agusta, S. Bali, and B. Denpasar,
“K-Means – Penerapan,
Permasalahan dan Metode Terkait,”
J. Sist. dan Inform., 2007.
[8] J. MacQueen, “Some Methods for
classification and Analysis of
Multivariate Observations,” in 5th
Berkeley Symposium on
Mathematical Statistics and
Probability 1967, 1967.