ISSN : 2620-6048

Implementasi Metode K-Means Cluster Dengan Rapid Minner

Dalam Mengelompokkan Wanita Berstatus Kawin
Pengguna KB Menurut Provinsi
Wiwiek Katrina1, Eka Irawan2, Saifullah3 dan Agus Perdana Windarto4
1,2,3,4
STIKOM Tunas Bangsa, Pematangsiantar

wiwiekkatrina25@gmail.com, ekairawan@stikomtb.ac.id, saifullah@stikomtb.ac.id,

agus.perdana@amiktunasbangsa.ac.id

Abstract

Family planning (KB) is one effort to achieve family welfare and to realize a happy small family
prosperous. The increasing number of people is a big problem for countries in the world especially
developing countries. The problem of population growth will have an impact on poverty, low
welfare, increased crime, high morbidity and mortality. Basically, economic growth and the
development of human resource quality can be difficult if the population is not controlled. One
way to suppress population growth rate in Indonesia is through Family Planning (KB) program.
Although KB is important but still many women decide not to use it or non acceptor KB. The
Government seeks to curb Indonesia's growth rate by implementing the Family Planning (KB)
program contained in the 2004-2009 Medium-Term Development Plan (RPJM) to increase the use
of long-term contraceptives. The purpose of this study is to determine the high of the low number
of women married status of KB users by province each using K-Means Clustering method with
RapidMinner.There arre 4 provinces of the lowest KB users, namely: East Nusa Tenggara
Province, Maluku Province, West Papua Province, Papua Province. It is expected that this research
can provide input to the government in increasing the socialization about the importance of family
planning in married status, and reducing the rate of population growth in Indonesian.
Keywords: Data Mining, K-Means, RapidMinner, KB Users

Abstrak
Keluarga berencana (KB) adalah salah satu usaha untuk mencapai kesejahteraan keluarga serta
untuk mewujudkan keluarga kecil yang bahagia sejahtera. Jumlah penduduk yang terus meningkat
merupakan masalah besar bagi negara-negara di dunia khususnya negara berkembang. Problem
pertumbuhan penduduk akan berdampak pada kemiskinan, rendahnya kesejahteraan,
meningkatnya kriminal, tingginya kesakitan dan kematian. Pada dasarnya pertumbuhan ekonomi
dan pembangunan kualitas sumber daya manusia sulit terlaksana jika jumlah penduduk tidak
terkendali. Salah satu cara untuk menekan laju pertumbuhan penduduk di Indonesia adalah melalui
program KB (Keluarga Berencana). Meskipun KB penting akan tetapi masih banyak wanita yang
memutuskan untuk tidak menggunakannya atau non akseptor KB. Pemerintah berupaya menekan
laju pertumbuhan Indonesia dengan melaksanakan program Keluarga Berencana (KB) yang
tercantum dalam Rencana Pembangunan Jangka Menengah (RPJM) tahun 2004-2009 adalah
meningkatkan penggunaan kontrasepsi jangka panjang. Tujuan penelitian ini adalah untuk
mengetahui tinggi rendah nya jumlah wanita berstatus kawin pengguna KB menurut provinsi
masing-masing menggunakan metode K-Means Clustering dengan RapidMinner. Terdapat 4
provinsi pengguna KB terendah, yaitu : Provinsi Nusa Tenggara Timur, Provinsi Maluku, Provinsi
Papua Barat, Provinsi Papua. Diharapkan penelitian ini dapat memberikan masukan kepada
pemerintah dalam meningkatkan sosialisasi tentang pentingnya KB pada wanita berstatus kawin,
sehingga dapat mengurangi laju pertumbuhan penduduk di Indonesia.
Kata Kunci : Data Mining, K-Means, RapidMinner, Pengguna KB

Regional Development Industry & Health Science, Technology and Art of Life 49
 ISSN : 2620-6048

1. Pendahuluan
Indonesia mengajak dunia Internasional untuk memperhatikan kembali program
Keluarga Berencana (KB) sebagai salah satu upaya untuk mengendalikan jumlah
penduduk. Kepadatan penduduk pada saat ini telah menjadi salah satu dari masalah dari
pertumbuhan sosial di Indonesia. Indonesia merupakan negara dengan jumlah penduduk
tergolong terbanyak ke empat di dunia untuk itu program pemerintah Keluarga Berencana
(KB) harus digalakkan mengingat jumlah penduduk tinggi dan untuk membatasi jumlah
fertilitas. Keluarga berencana merupakan upaya mengatur kelahiran anak, jarak dan usia
ideal melahirkan, mengatur kehamilan melalui promosi, perlindungan dan bantuan sesuai
dengan sesuai dengan hak reproduksi untuk mewujudkan keluarga yang berkualitas [1].
Program Keluarga Berencana (KB) yang diwujudkan pada penggunaan kontrasepsi
juga memiliki manfaat yang bersifat langsung atau tidak langsung bagi kesehatan ibu,
bayi dan anak, kesehatan dan kehidupan reproduksi dan seksual keluarga, dan
kesejahteraan serta ketahanan keluarga. Manfaat ini kurang memperoleh perhatian
semestinya meskipun menjadi faktor yang menentukan dalam mewujudkan kualitas
keluarga. Dilihat dari segi kebutuhan hampir seluruh (Pasangan Usia Subur) PUS di dunia
membutuhkan alat kontrasepsi dimana alat tersebut termasuk alat KB, dengan data-data
yang sudah ada di setiap kecamatan setempat dapat di manfaatkan untuk mengoptimalkan
apa yang diharapkan pemerintah untuk membatasi kelahiran. Berdasarkan penjelasan
diatas, peneliti melakukan penelitian dengan menggunakan Data Mining K-Means
Clustering untuk mendapatkan hasil penilaian terhadap provinsi pengguna KB terendah.
Metode yang digunakan untuk penyelesaiannya adalah Data Mining K-Means Cluster
dengan RapidMinner.

2. Landasan Teori
A. Data Mining
Data Mining merupakan metode pengolahan data berskala besar oleh karena itu Data
Mining ini memiliki peranan penting dalam bidang industri, keuangan, cuaca, ilmu dan
teknologi. Secara umum kajian Data Mining membahas metode-metode seperti,
Clustering, klasifikasi, regresi, seleksi variable, dan market basket analisis [2].

B. Clustering
Analisis Pengelompokan/Clustering merupakan proses membagi data dalam suatu
himpunan ke dalam beberapa kelompok yang kesamaan datanya dalam suatu kelompok
lebih besar daripada kesamaan data tersebut dengan data dalam kelompok lain. Potensi
Clustering adalah dapat digunakan untuk mengetahui struktur dalam data yang dapat
dipakai lebih lanjut dalam berbagai aplikasi secara luas seperti klasifikasi, pengolahan
gambar, dan pengenalan pola [3].

C. K-Means
K-Means merupakan salah satu metode pengelompokan data nonhierarki (sekatan)
yang berusaha mempartisi data yang ada ke dalam bentuk dua atau lebih kelompok.
Metode ini mempartisi data ke dalam kelompok sehingga data berkarakteristik sama
dimasukkan ke dalam satu kelompok yang sama dan data yang berkarakteristik berbeda
dikelompokkan kedalam kelompok yang lain [4].

D. Keluarga Berencana
Keluarga Berencana menurut UU No. 10 Tahun 1992 tentang Perkembangan
Kependudukan dan Pembangunan Keluarga Sejahtera adalah upaya peningkatan
kepedulian peran serta masyarakat melalui pendewasaan usia perkawinan (PUP),
pengaturan kelahiran, pembinaan ketahanan keluarga, peningkatan kesejahteraan keluarga

Regional Development Industry & Health Science, Technology and Art of Life 50
 ISSN : 2620-6048

kecil, bahagia dan sejahtera. Tujuan pokok dari program KB yaitu penurunan angka
kelahiran yang bermakna.

3. Metodologi Penelitian
Dalam metode Clustering konsep utama yang ditekankan adalah pencarian pusat
cluster secara iteratif, dimana pusat cluster ditentukan berdasarkan jarak minimum setiap
data pada pusat cluster. Data yang digunakan dalam penelitian ini berdasarkan dokumen-
dokumen yang dihasilkan oleh Badan Pusat Statistik Nasional melalui situs
https://www.bps.go.id. Dalam hal ini peneliti mengangkat topik wanita berstatus kawin
pengguna KB berdasarkan provinsi dimana proses metode yang dilakukan adalah
Clustering. Hasil dari cluster dapat dijadikan masukan bagi pemerintah agar provinsi
yang masuk kedalam cluster rendah mendapat perhatian lebih. Perancangan diagram use
case ditunjukkan dalam Gambar 2.

Gambar 2. Use Case Diagram Datamining K-Means

4. Hasil dan Pembahasan

Dalam melakukan Clustering, data yang diperoleh akan dihitung terlebih dahulu
berdasarkan jumlah wanita berumur 15-49 berstatus kawin pengguna KB pada tahun
2000-2015 menurut provinsi. Hasil penjumlahan berdasarkan 1 kriteria penilaian yakni
jumlah pengguna KB seperti yang ditunjukkan pada tabel 1.

Tabel 1. Data Wanita 15-49 Berstatus Kawin Pengguna KB Menurut Provinsi

Persentase Wanita Berumur 15-49 Tahun dan Berstatus Kawin yang Sedang Menggunakan/Memakai Alat KB (Persen) Nilai
Provinsi Rata-
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 Rata
ACEH - - - 35,37 42,2 - 43,04 42,8 42,4 49,08 49,55 49,87 52,53 52,69 52,09 46,92 46,55
SUMATERA UTARA 42,05 40,98 39,81 42,96 43,43 42,51 45,08 45,53 41,91 49,71 48,67 50,25 52,86 51,79 51,87 49,06 46,15
SUMATERA BARAT 44,16 43,34 44,68 46,14 47,99 47,59 49,06 48,37 47,32 50,57 53,13 53,47 51,96 51,71 53,2 48,53 48,83
RIAU 48,24 45,41 47,37 46,53 49,96 49,8 53,69 54,17 52,41 56,53 56,29 56,74 57,39 58,43 56,29 54,42 52,73
JAMBI 57,27 58,03 58,55 61,06 61,03 62,94 61,63 64,66 62,16 66,72 65,8 67,32 68,05 68,5 67,5 64,16 63,46
SUMATERA SELATAN 54,95 53,63 54,69 57,84 58,94 59,42 62,44 61,97 62,92 64,63 65,78 66,37 67,23 67,98 66,47 68,06 62,08
BENGKULU 66,67 68,55 64,14 61,23 67,74 66,39 70,08 67,3 67,62 68,46 68,98 70,47 70,34 71,42 70,61 67,83 67,99
LAMPUNG 61,58 60,08 59,66 62,48 64,12 65,97 64,49 64,03 64,58 67,81 69,28 66,41 67,74 69,55 69,36 67,35 65,28
KEP, BANGKA BELITUNG - 53,98 52,92 58,95 65,41 63,72 63,44 63,57 64,3 66,16 68,17 65,05 67,21 69,05 67,06 64,99 63,60
KEP, RIAU - - - - - 49,51 55,41 51,2 53,07 55,54 51,9 50,91 52,22 50,21 47,19 47,05 51,29
DKI JAKARTA 53,96 52,39 51,09 53,93 55,81 54,13 55,25 54,69 52,68 56,62 57,42 55,19 57 57,55 55,14 54,75 54,85
JAWA BARAT 56,71 56,28 56,9 58,29 60,42 62,88 62,84 62,28 60,51 63,67 64,57 64,09 65,53 65,12 65,36 64,67 61,88
JAWA TENGAH 59,15 57,97 58,55 60,44 62,64 61,32 62,1 60,65 59,19 63,67 63,85 63,7 64,5 64,54 63,88 62,15 61,77
DI YOGYAKARTA 62,42 60,36 59,82 56,53 61,53 62,15 61,13 56,11 57,42 62,21 61,93 60,85 59,89 63,04 61,41 59,33 60,38
JAWA TIMUR 55,41 53,98 56,05 55,54 57,25 59,72 59,52 59,65 59,54 63,72 64,16 64,53 65,38 66,11 65,33 63,79 60,61
BANTEN - 55,28 54,24 54,77 58,85 58,61 60,33 56,64 58 60,51 62,18 62,38 62,9 62,11 62,71 61,16 59,38
BALI 65,12 37,24 65,96 65,45 66,68 68,2 67,43 67,22 65,06 67,85 65,17 63,85 64,33 62,8 64,64 60,03 63,56
NUSA TENGGARA BARAT 54,51 51,97 50,39 54,45 55,33 55,71 54,82 52,44 53,07 57,88 57,75 59,68 58,67 60,34 58,79 59,07 55,93
NUSA TENGGARA TIMUR 31,56 28,68 30,46 30,77 33,05 33,8 32,63 34,35 35,91 40,77 39,89 41,46 40,75 43,7 44,92 42,08 36,55
KALIMANTAN BARAT 55,53 53,93 54,54 56,15 57,59 61,29 59,49 61,26 60,73 64,05 65,59 66,73 68,56 67,1 69,07 65,76 61,71
KALIMANTAN TENGAH 58,51 53,63 57,65 60,09 64,4 67,08 66,64 67,46 68,4 70,34 68,16 70,85 72,49 72,88 72,07 68,5 66,20

Regional Development Industry & Health Science, Technology and Art of Life 51
 ISSN : 2620-6048
KALIMANTAN SELATAN 58,58 58,68 62,94 61,86 64,64 64,85 66,7 63,27 64,25 67,76 68,03 70,05 70,02 69,91 70,8 70,13 65,78
KALIMANTAN TIMUR 54,74 52,31 55,08 56,43 57,46 54,52 54,67 55,8 55,29 58,32 61,01 60,52 61,82 62,88 60,74 59,86 57,59
KALIMANTAN UTARA - - - - - - - - - - - - - - - 52,67 52,67
SULAWESI UTARA 61,76 61,98 68,02 64,94 71,42 70,01 69,75 67,07 65,19 67,54 68,38 68,48 68,14 65,24 68,29 66,67 67,06
SULAWESI TENGAH 47,74 47,2 48,87 48,69 52,66 54,97 54,68 56,83 55,91 61,5 61,08 58,25 60,8 59,7 60,38 57,55 55,43
SULAWESI SELATAN 36,5 34,76 35,26 36,6 39,28 41,88 42,59 43,67 43,18 48,65 50,01 50,18 52,07 51,91 53,04 48,38 44,25
SULAWESI TENGGARA 42,25 38,6 42 42,11 42,5 47,4 46,8 46,61 46,34 50,72 52,6 53,3 53 54,26 54,1 48,66 47,58
GORONTALO - 55,85 54,95 54,36 58,46 59,91 61,24 64,22 59,54 62,83 64,22 61,6 65,08 65,13 66,83 64,78 61,27
SULAWESI BARAT - - - - - - 38,82 38,47 45,23 49,78 48,83 47,84 50,92 47,93 49 47,69 46,45
MALUKU - 25,95 - 34,17 26,05 28,08 30,13 30,09 32,1 36,36 39,54 41,84 41 39,77 41,71 43,21 35,00
MALUKU UTARA - 31,68 - 36,67 33,16 44,49 39,61 41,9 43,33 48,58 53,13 50,92 52,58 53,13 52,93 51,73 45,27
PAPUA BARAT - - - - - - 31,73 28,29 26,69 36,47 38,48 37,84 41,25 42,91 42,12 43,96 36,97
PAPUA 32,25 35,3 - 37,98 38,64 32,8 31,22 31,92 27,71 33,71 26,97 23,91 24,77 23,87 27,88 23,37 30,15
Sumber : Badan Pusat Statistik , url :https://www.bps.go.id

Data tersebut kemudian diakumulasikan berdasarkan 1 kriteria yaitu jumlah pengguna

KB seperti yang ditunjukkan pada tabel 2 berikut:
Tabel 2. Data Wanita 15-49 Berstatus Kawin Pengguna KB Menurut Provinsi
No Nama Nilai Rata-Rata
1 ACEH 46,55
2 SUMATERA UTARA 46,15
3 SUMATERA BARAT 48,83
4 RIAU 52,73
5 JAMBI 63,46
6 SUMATERA SELATAN 62,08
7 BENGKULU 67,99
8 LAMPUNG 65,28
9 KEP. BANGKA BELITUNG 63,60
10 KEP. RIAU 51,29
11 DKI JAKARTA 54,85
12 JAWA BARAT 61,88
13 JAWA TENGAH 61,77
14 DI YOGYAKARTA 60,38
15 JAWA TIMUR 60,61
16 BANTEN 59,38
17 BALI 63,56
18 NUSA TENGGARA BARAT 55,93
19 NUSA TENGGARA TIMUR 36,55
20 KALIMANTAN BARAT 61,71
21 KALIMANTAN TENGAH 66,20
22 KALIMANTAN SELATAN 65,78
23 KALIMANTAN TIMUR 57,59
24 KALIMANTAN UTARA 52,67
25 SULAWESI UTARA 67,06
26 SULAWESI TENGAH 55,43
27 SULAWESI SELATAN 44,25
28 SULAWESI TENGGARA 47,58
29 GORONTALO 61,27
30 SULAWESI BARAT 46,45
31 MALUKU 35,00
32 MALUKU UTARA 45,27
33 PAPUA BARAT 36,97
34 PAPUA 30,15

A. Centroid Data
Penentuan titik cluster ini dilakukan dengan mengambil nilai terbesar (maksimum)
untuk cluster pengguna KB tingkat tinggi (C1), nilai rata-rata (average) untuk cluster
pengguna KB tingkat sedang (C2) dan nilai terkecil (minimum) untuk cluster pengguna
KB tingkat rendah (C3). Nilai titik tersebut dapat diketahui pada Tabel 3 berikut:
Tabel 3. Centroid Data Awal
cluster tinggi cluster sedang cluster rendah
67,99 54,60 30,15

B. Clustering Data
Proses cluster dengan mengambil jarak terdekat dari setiap data yang diolah. Dari
data jumlah wanita berumur 15-49 berstatus kawin pengguna KB pada tahun 2000-2015
menurut provinsi didapatkan pengelompokan pada iterasi 1 untuk 3 cluster tersebut.

Regional Development Industry & Health Science, Technology and Art of Life 52
 ISSN : 2620-6048

Cluster pengguna KB tingkat tinggi (C1) yakni Bengkulu, cluster pengguna KB tingkat
sedang (C2) yakni 32 provinsi lainnya, dan cluster pengguna KB tingkat rendah (C3)
yakni Papua. Proses pencarian jarak terpendek, pengelompokan data pada iterasi 1 dan
Clustering data dapat digambarkan pada tabel dan gambar berikut:
Tabel 4. Perhitungan Jarak Pusat Cluster
NO Nama Nilai Rata-Rata C1 C2 C3 Jarak Terpendek Hasil
1 ACEH 46,55 21,44 8,05 16,39 8,05 C2
2 SUMATERA UTARA 46,15 21,84 8,44 16,00 8,44 C2
3 SUMATERA BARAT 48,83 19,16 5,77 18,67 5,77 C2
4 RIAU 52,73 15,26 1,87 22,58 1,87 C2
5 JAMBI 63,46 4,53 8,87 33,31 4,53 C1
6 SUMATERA SELATAN 62,08 5,91 7,49 31,93 5,91 C1
7 BENGKULU 67,99 0,00 13,39 37,84 0,00 C1
8 LAMPUNG 65,28 2,71 10,69 35,13 2,71 C1
9 KEP. BANGKA BELITUNG 63,60 4,39 9,00 33,45 4,39 C1
10 KEP. RIAU 51,29 16,70 3,30 21,14 3,30 C2
11 DKI JAKARTA 54,85 13,14 0,25 24,70 0,25 C2
12 JAWA BARAT 61,88 6,11 7,29 31,73 6,11 C1
13 JAWA TENGAH 61,77 6,22 7,17 31,62 6,22 C1
14 DI YOGYAKARTA 60,38 7,61 5,79 30,23 5,79 C2
15 JAWA TIMUR 60,61 7,38 6,01 30,45 6,01 C2
16 BANTEN 59,38 8,61 4,78 29,22 4,78 C2
17 BALI 63,56 4,43 8,97 33,41 4,43 C1
18 NUSA TENGGARA BARAT 55,93 12,06 1,33 25,78 1,33 C2
19 NUSA TENGGARA TIMUR 36,55 31,44 18,05 6,40 6,40 C3
20 KALIMANTAN BARAT 61,71 6,28 7,12 31,56 6,28 C1
21 KALIMANTAN TENGAH 66,20 1,79 11,60 36,04 1,79 C1
22 KALIMANTAN SELATAN 65,78 2,21 11,18 35,63 2,21 C1
23 KALIMANTAN TIMUR 57,59 10,40 3,00 27,44 3,00 C2
24 KALIMANTAN UTARA 52,67 15,32 1,93 22,52 1,93 C2
25 SULAWESI UTARA 67,06 0,93 12,46 36,90 0,93 C1
26 SULAWESI TENGAH 55,43 12,56 0,83 25,27 0,83 C2
27 SULAWESI SELATAN 44,25 23,74 10,35 14,09 10,35 C2
28 SULAWESI TENGGARA 47,58 20,41 7,02 17,42 7,02 C2
29 GORONTALO 61,27 6,72 6,67 31,11 6,67 C2
30 SULAWESI BARAT 46,45 21,54 8,14 16,30 8,14 C2
31 MALUKU 35,00 32,99 19,60 4,85 4,85 C3
32 MALUKU UTARA 45,27 22,72 9,32 15,12 9,32 C2
33 PAPUA BARAT 36,97 31,02 17,62 6,82 6,82 C3
34 PAPUA 30,15 37,84 24,44 0,00 0,00 C3

Tabel 5. Pengelompokan Data Iterasi I

Kelompok Data 1
No. Nama
C1 C2 C3
1 ACEH 1
2 SUMATERA UTARA 1
3 SUMATERA BARAT 1
4 RIAU 1
5 JAMBI 1
6 SUMATERA SELATAN 1
7 BENGKULU 1
8 LAMPUNG 1
9 KEP. BANGKA BELITUNG 1
10 KEP. RIAU 1
11 DKI JAKARTA 1
12 JAWA BARAT 1
13 JAWA TENGAH 1
14 DI YOGYAKARTA 1
15 JAWA TIMUR 1
16 BANTEN 1
17 BALI 1
18 NUSA TENGGARA BARAT 1
19 NUSA TENGGARA TIMUR 1
20 KALIMANTAN BARAT 1
21 KALIMANTAN TENGAH 1
22 KALIMANTAN SELATAN 1
23 KALIMANTAN TIMUR 1
24 KALIMANTAN UTARA 1
25 SULAWESI UTARA 1
26 SULAWESI TENGAH 1
27 SULAWESI SELATAN 1
28 SULAWESI TENGGARA 1
29 GORONTALO 1
30 SULAWESI BARAT 1
31 MALUKU 1

Regional Development Industry & Health Science, Technology and Art of Life 53
 ISSN : 2620-6048
32 MALUKU UTARA 1
33 PAPUA BARAT 1
34 PAPUA 1

C1 : {5,6,7,8,9,12,13,17,20,21,22,25}
C2 :{1,2,3,4,10,11,14,15,16,18,23,24,26,27,28,29,30,32}
C3 : {19,31,33,34}

Gambar 3. Clustering Data

Proses K-Means akan terus beriterasi sampai pengelompokan data sama dengan
pengelompokan data iterasi sebelumnya. Proses iterasi tersebut berhenti pada iterasi ke 3,
pada iterasi 3 akan dilakukan proses mencari nilai titik tengah atau centroid yang dapat
diketahui pada Tabel 6 berikut :
Tabel 6. Data Centroid Iterasi 3
cluster tinggi cluster sedang cluster rendah
63,25 50,40 34,67
Setelah mendapatkan nilai titik tengah atau centroid, proses sama dilakukan dengan
mencari jarak terdekat. Proses pencarian jarak terpendek, pengelompokan data pada
iterasi 3 dan Clustering data dapat digambarkan pada tabel dan gambar berikut:
Tabel 7. Perhitungan Jarak Pusat Cluster Iterasi 3
No Nama C1 C2 C3 Nilai Rata-Rata C1 C2 C3 Jarak Terpendek Hasil
1 ACEH 1 46,55 16,71 3,85 11,88 3,85 C2
2 SUMATERA UTARA 1 46,15 17,10 4,24 11,49 4,24 C2
3 SUMATERA BARAT 1 48,83 14,42 1,57 14,16 1,57 C2
4 RIAU 1 52,73 10,52 2,33 18,06 2,33 C2
5 JAMBI 1 63,46 0,21 13,06 28,79 0,21 C1
6 SUMATERA SELATAN 1 62,08 1,17 11,69 27,41 1,17 C1
7 BENGKULU 1 67,99 4,74 17,59 33,32 4,74 C1
8 LAMPUNG 1 65,28 2,03 14,88 30,61 2,03 C2
9 KEP. BANGKA BELITUNG 1 63,60 0,35 13,20 28,93 0,35 C1
10 KEP. RIAU 1 51,29 11,96 0,89 16,62 0,89 C2
11 DKI JAKARTA 1 54,85 8,40 4,45 20,18 4,45 C2
12 JAWA BARAT 1 61,88 1,37 11,49 27,21 1,37 C1
13 JAWA TENGAH 1 61,77 1,48 11,37 27,10 1,48 C1
14 DI YOGYAKARTA 1 60,38 2,87 9,99 25,71 2,87 C1
15 JAWA TIMUR 1 60,61 2,65 10,21 25,94 2,65 C1
16 BANTEN 1 59,38 3,87 8,98 24,71 3,87 C1
17 BALI 1 63,56 0,31 13,17 28,90 0,31 C1
18 NUSA TENGGARA BARAT 1 55,93 7,32 5,53 21,26 5,53 C2
19 NUSA TENGGARA TIMUR 1 36,55 26,70 13,85 1,88 1,88 C3
20 KALIMANTAN BARAT 1 61,71 1,54 11,31 27,04 1,54 C1
21 KALIMANTAN TENGAH 1 66,20 2,95 15,80 31,53 2,95 C1
22 KALIMANTAN SELATAN 1 65,78 2,53 15,38 31,11 2,53 C1
23 KALIMANTAN TIMUR 1 57,59 5,66 7,19 22,92 5,66 C1
24 KALIMANTAN UTARA 1 52,67 10,58 2,27 18,00 2,27 C2
25 SULAWESI UTARA 1 67,06 3,80 16,66 32,39 3,80 C1
26 SULAWESI TENGAH 1 55,43 7,82 5,03 20,76 5,03 C2
27 SULAWESI SELATAN 1 44,25 19,00 6,15 9,58 6,15 C2
28 SULAWESI TENGGARA 1 47,58 15,67 2,82 12,91 2,82 C2
29 GORONTALO 1 61,27 1,98 10,87 26,60 1,98 C1
30 SULAWESI BARAT 1 46,45 16,80 3,95 11,78 3,95 C2
31 MALUKU 1 35,00 28,25 15,40 0,33 0,33 C3
32 MALUKU UTARA 1 45,27 17,98 5,12 10,61 5,12 C2
33 PAPUA BARAT 1 36,97 26,28 13,42 2,30 2,30 C3
34 PAPUA 1 30,15 33,10 20,24 4,52 4,52 C3

Regional Development Industry & Health Science, Technology and Art of Life 54
 ISSN : 2620-6048

Tabel 8. Pengelompokan Data Iterasi 3

Kelompok Data 1
No. Nama
C1 C2 C3
1 ACEH 1
2 SUMATERA UTARA 1
3 SUMATERA BARAT 1
4 RIAU 1
5 JAMBI 1
6 SUMATERA SELATAN 1
7 BENGKULU 1
8 LAMPUNG 1
9 KEP. BANGKA BELITUNG 1
10 KEP. RIAU 1
11 DKI JAKARTA 1
12 JAWA BARAT 1
13 JAWA TENGAH 1
14 DI YOGYAKARTA 1
15 JAWA TIMUR 1
16 BANTEN 1
17 BALI 1
18 NUSA TENGGARA BARAT 1
19 NUSA TENGGARA TIMUR 1
20 KALIMANTAN BARAT 1
21 KALIMANTAN TENGAH 1
22 KALIMANTAN SELATAN 1
23 KALIMANTAN TIMUR 1
24 KALIMANTAN UTARA 1
25 SULAWESI UTARA 1
26 SULAWESI TENGAH 1
27 SULAWESI SELATAN 1
28 SULAWESI TENGGARA 1
29 GORONTALO 1
30 SULAWESI BARAT 1
31 MALUKU 1
32 MALUKU UTARA 1
33 PAPUA BARAT 1
34 PAPUA 1

C1 : {5,6,7,9,12,13,14,15,16,17,20,21,22,23,25,28}
C2 : {1,2,3,4,8,10,11,18,24,26,27,28,30,32}
C3 : {19,31,33,34}

Gambar 4. Clustering Data Iterasi 3

C. Analisa Data
Pada iterasi 3, pengelompokan data yang dilakukan terhadap 3 cluster dengan iterasi
2 didapatkan hasil yang sama. Dari 34 data jumlah wanita berumur 15-49 berstatus kawin
pengguna KB pada tahun 2000-2015 berdasarkan provinsi dapat dikertahui, 16 provinsi
cluster pengguna KB tingkat tinggi (C1) yakni (Jambi, Sumatera Selatan, Bengkulu,
Lampung, Kep.Bangka Belitung, Jawa Barat, Jawa Tengah, D.I Yogyakarta , Jawa Timur,
Banten, Bali, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Sulawesi Utara,
Gorontalo), 14 provinsi cluster pengguna KB tingkat sedang (C2) yakni (Aceh, Sumatera
Utara, Sumatera Barat, Riau, Kep. Riau, DKI Jakarta, Nusa Tenggara Barat, Kalimantan
Timur, Kalimantan Utara, Sulawesi Selatan ,Sulawesi Tengah, Sulawesi Tenggara,
Sulawesi Barat, Maluku Utara, dan provinsi cluster pengguna KB tingkat rendah (C3)
yakni (Nusa Tenggara Timur, Maluku, Papua Barat, Papua).

Regional Development Industry & Health Science, Technology and Art of Life 55
 ISSN : 2620-6048

D. Hasil Clustering Dengan Rapidminner

Pada tahap pengujian algoritma ini untuk membuktikan kebenaran pada tahap analisa
sebelumnya dan pengujian secara manual, maka perlu dilakukan pengujian lagi untuk
pengelompokan data meningkatkan mutu pembelajaran menggunakan algoritma K-Means.
Selanjutnya setelah database berhasil diproses, maka dapat dilihat hasil
pengelompokan data jumlah wanita berumur 15-49 berstatus kawin pengguna KB pada
tahun 2000-2015 berdasarkan provinsi. Untuk melihat bukti bahwa database berhasil
diproses :
1) DATA VIEW

Gambar 5. Data View Clustering Rapidminner

2) FLOT VIEW

Gambar 6. Data Flot View Clustering Rapidminner

Regional Development Industry & Health Science, Technology and Art of Life 56
 ISSN : 2620-6048

3) TEXT VIEW

Gambar 7. Data Text View Clustering Rapidminner

4) FOLDER VIEW

Gambar 8. Data Folder View Clustering Rapidminner

Berdasarkan gambar 8, diperoleh hasil yang sama dalam pengelompokan cluster

dimana provinsi cluster pengguna KB tingkat rendah (C3) yakni (Nusa Tenggara Timur,
Maluku, Papua Barat, Papua). Dari hasil penelitian menunjukkan bahwa aplikasi
Rapidminer dapat digunakan untuk membuat clustering dengan metode K-Means.

5. Kesimpulan & Saran

Dari hasil perhitungan menggunakan Metode K-Means Clustering pada wanita
berstatus kawin pengguna KB berdasarkan provinsi maka didapat 4 provinsi pengguna
KB terendah (C1) yakni (Nusa Tenggara Timur, Maluku, Papua Barat, Papua).

Ucapan terima kasih

Terima kasih kepada Ketua STIKOM Tunas Bangsa, Ketua Program studi sistem
informasi dan Ketua LPPM STIKOM Tunas Bangsa Pematangsiantar atas dukungan
dalam terlaksanakannya penelitian ini serta bapak pembimbing Agus Perdana Windarto.

Regional Development Industry & Health Science, Technology and Art of Life 57
 ISSN : 2620-6048

Referensi
[1] BKKBN. Badan Pelayanan kontrasepsi & Pengendalian Lapangan Program KB
Nasional. Jakarta. 2015.

[2] Ong, Oscar. 2013. Implementasi Algoritma K-Means Clusterin Untuk Menentukan
Strategi Marketing President University. Jurnal Ilmiah Teknik Industri. Vol.
12, No 1, 2010. ISSN 1412-6869.

[3] A. P. Windarto, “Implementation of Data Mining on Rice Imports by Major Country

of Origin Using Algorithm Using K-means Clustering Method,” Int. J. Artif. Intell.
Res., vol. 1, no. 2, pp. 26–33, 2017.

[4] M. G. Sadewo, A. P. Windarto, and D. Hartama, “Penerapan Datamining Pada

Populasi Daging Ayam Ras Pedaging Di Indonesia Berdasarkan Provinsi
Menggunakan K-Means,” InfoTekJar (Jurnal Nas. Inform. dan Teknol. Jaringan),
vol. 2, no. 1, pp. 60–67, 2017.

[5] Agusta, Y. Pebruari 2007. K-MeansPenerapan, Permasalahan dan Metode Terkait.

Jurnal Sistem dan Informatika (3) : 47-60

[6] Ali, Rifai. Jurnal Prosiding Seminar Nasional Kependudukan: faktor-faktor yang
berhubungan dengan penggunaan alat kontrasepsi pada pasangan usia subur
di Wilayah Puskesmas Buhu Kabupaten Gorontalo. Dalam fkm.unej.ac.id diakses
tanggal 10 Januari 2015. 2013

[7] Hanafi, 2010. Keluarga Berencana dan Kontrasepsi. Jakarta: Pustaka Sinar Harapan.

[8] Ediyanto, et.al, 2013. Pengklasifikasian Karakteristik Dengan Metode K-Means

Cluster Analysis. Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster), II(2), pp.
133-136.

[9] Handoyo, R, dkk. 2014. Perbandingan Metode Clustering Menggunakan Metode

Single Linkage Dan K-Means Pada Pengelompokan Dokumen.
ISSN. 1412-0100 Vol 15, No, 2, OKTOBER 2014.

[10] Lindawati. 2008. Data Mining Dengan Teknik Clustering Dalam

Pengklasifikasian Data Mahasiswa Studi Kasus Prediksi Lama Studi Mahasiswa
Universitas Bina Nusantara. Seminar Nasional Informatika 2008.

[11] M. N. M. N. S. Ediyanto, “pengklasifikasikan karakteristik dengan metode K-Means

cluster analisys,” Vols. 02, No.2, hal 133 - 136, 2013.

Regional Development Industry & Health Science, Technology and Art of Life 58