Implementasi K-Means Dalam Pengelompokkan Data Akta Kelahiran di Indonesia
Implementation of K-Means in Grouping Birth Certificate Data in Indonesia
Keywords:
Akta Kelahiran, Davies Bouldin Index (DBI), Klastering, K-MeansAbstract
Akta kelahiran merupakan sebuah dokumen yang berisikan hasil pencatatan kelahiran bayi dan wajib dimiliki oleh setiap warga negara. Akta kelahiran seorang warga negara dapat diakui secara hukum dan dapat digunakan sebagai dasar dalam penggunaan pelayanan publik. Di Indonesia terdapat 34 provinsi dengan 273,5 juta jiwa. Kepemilikan akta kelahiran yang tidak sebanding dengan jumlah penduduk di Indonesia menjadi salah satu masalah yang dihadapi Kementerian Kependudukan dan Pencatatan Sipil (Disdukcapil), sehingga diperlukan suatu jenis metode dalam mengelompokkan data-data tersebut. Tujuan dari penelitian ini yaitu untuk menggolongkan atau mengelompokkan data akta kelahiran di Indonesia agar jumlah kepemilikan akta kelahiran sebanding dengan jumlah penduduk. Dalam penelitian ini data yang digunakan adalah data persentase anak yang memiliki akta kelahiran di Indonesia dengan rata-rata 84,71%. Data tersebut diolah menggunakan teknik data mining menggunakan algoritma K-Means. Dari hasil percobaan yang diukur dengan teknik Davies Bouldin Index (DBI) didapatkanlah hasil cluster terbaik pada algoritma K-Means dengan nilai k=4. Hasil dari penelitian didapatkan 4 cluster dengan 1 anggota pada cluster 1, 19 anggota pada cluster 2, 13 anggota pada cluster 3 dan 1 anggota pada cluster 4.
References
M. A. Suripto and R. A. Triyono, “Pembangunan Sistem Informasi Akta Kelahiran,” Indones. J. Netw. Secur., vol. 3, no. 3, pp. 33–40, 2014, [Online]. Available: http://ijns.org/journal/index.php/ijns/article/view/403
A. Nurhadi and E. Indrayuni, “PERANCANGAN APLIKASI SISTEM INFORMASI PELAYANAN PEMBUATAN AKTA KELAHIRAN KELURAHAN JEMBATAN LIMA JAKARTA BARAT JISAMAR ( Journal of Information System , Applied , Management , Accounting and Researh ) p-ISSN : 2598-8700 ( Printed ) JISAMAR ( Journal of In,” J. Inf. Syst. Applied, Manag. Account. Researh, vol. 4, no. 4, pp. 181–188, 2020.
A. M. M. Anwar, P. Harsani, and A. Maesya, “Penentuan Daerah Prioritas Pelayanan Akta Kelahiran Dengan Metode K-Nn Dan K-Means,” Komputasi J. Ilm. Ilmu Komput. dan Mat., vol. 17, no. 1, pp. 319–328, 2020, doi: 10.33751/komputasi.v17i1.1884.
I. Nasution, A. P. Windarto, and M. Fauzan, “Penerapan Algoritma K-Means Dalam Pengelompokan Data Penduduk Miskin Menurut Provinsi,” Build. Informatics, Technol. Sci., vol. 2, no. 2, pp. 76–83, 2020, doi: 10.47065/bits.v2i2.492.
L. Maulida, “Penerapan Datamining Dalam Mengelompokkan Kunjungan Wisatawan Ke Objek Wisata Unggulan Di Prov. Dki Jakarta Dengan K-Means,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 2, no. 3, p. 167, 2018, doi: 10.14421/jiska.2018.23-06.
A. Supriyadi, A. Triayudi, and I. D. Sholihati, “Perbandingan Algoritma K-Means Dengan K-Medoids Pada Pengelompokan Armada Kendaraan Truk Berdasarkan Produktivitas,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 6, no. 2, pp. 229–240, 2021, doi: 10.29100/jipi.v6i2.2008.
R. K. Dinata, S. Safwandi, N. Hasdyna, and N. Azizah, “Analisis K-Means Clustering pada Data Sepeda Motor,” INFORMAL Informatics J., vol. 5, no. 1, p. 10, 2020, doi: 10.19184/isj.v5i1.17071.
R. Gustrianda and D. I. Mulyana, “Penerapan Data Mining Dalam Pemilihan Produk Unggulan dengan Metode Algoritma K-Means Dan K-Medoids,” J. Media Inform. Budidarma, vol. 6, no. 1, p. 27, 2022, doi: 10.30865/mib.v6i1.3294.
F. Harahap, “Perbandingan Algoritma K Means dan K Medoids Untuk Clustering Kelas Siswa Tunagrahita,” TIN Terap. Inform. Nusant., vol. 2, no. 4, pp. 191–197, 2021.
R. D. Dana and A. Ajiz, “Clustering Data Persediaan Barang dengan Menggunakan Metode,” vol. 7, no. 1, pp. 1–9, 2022.
. Hanniva, A. Kurnia, S. Rahardiantoro, and A. A. Mattjik, “Penggerombolan Kabupaten/Kota di Indonesia Berdasarkan Indikator Indeks Pembangunan Manusia Menggunakan Metode K-Means dan Fuzzy C-Means,” Xplore J. Stat., vol. 11, no. 1, pp. 36–47, 2022, doi: 10.29244/xplore.v11i1.855.
A. U. Fitriyadi, “Algoritma K-Means dan K-Medoids Analisis Algoritma K-Means dan K-Medoids Untuk Clustering Data Kinerja Karyawan Pada Perusahaan Perumahan Nasional,” Kilat, vol. 10, no. 1, pp. 157–168, 2021, doi: 10.33322/kilat.v10i1.1174.
F. Farahdinna, I. Nurdiansyah, A. Suryani, and A. Wibowo, “Perbandingan Algoritma K-Means Dan K-Medoids Dalam Klasterisasi Produk Asuransi Perusahaan Nasional,” J. Ilm. FIFO, vol. 11, no. 2, p. 208, 2019, doi: 10.22441/fifo.2019.v11i2.010.
M. G. Sadewo, A. P. Windarto, and A. Wanto, “Penerapan Algoritma Clustering Dalam Mengelompokkan Banyaknya Desa/Kelurahan Menurut Upaya Antisipasi/ Mitigasi Bencana Alam Menurut Provinsi Dengan K-Means,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 2, no. 1, pp. 311–319, 2018, doi: 10.30865/komik.v2i1.943.
R. A. Farissa, R. Mayasari, and Y. Umaidah, “Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient di Puskesmas Karangsambung,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 109–116, 2021, doi: 10.30871/jaic.v5i1.3237.
I. Kamila, U. Khairunnisa, and M. Mustakim, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 5, no. 1, p. 119, 2019, doi: 10.24014/rmsi.v5i1.7381.
U. R. Gurning and Mustakim, “Penerapan Algoritma K-Means dan K-Medoid untuk Pengelompokkan Data Pasien Covid-19,” Build. Informatics, Technol. Sci., vol. 3, no. 1, p. 48?55, 2021, doi: 10.47065/bits.v3i1.1003.
