Penerapan K-Means Clustering Untuk Mengelompokkan Tingkat Kemiskinan di Provinsi Riau
Implementation of K-Means Clustering to Group Poverty Levels in Riau Province
Keywords:
Clustering, Data Mining, K-Means, Kemiskinan, RiauAbstract
Permasalahan yang dihadapi dan mengkhawatirkan dunia adalah kemiskinan. Secara statistik, tingkat kemiskinan dari tahun ke tahun terkadang mengalami peningkatan dan penurunan di setiap wilayah. Berdasarkan data dari Badan Pusat Statistik Pekanbaru, angka kemiskinan di Provinsi Riau tergolong rendah di tingkat nasional. Hal ini dibuktikan dengan persentase tingkat kemiskinan di Riau pada September 2021 sebesar 7,00%. Penelitian ini bertujuan untuk mengelompokkan tingkat kemiskinan di Provinsi Riau dengan memanfaatkan salah satu metode yang ada pada data mining yaitu K-Means Clustering. Data pada penelitian ini diambil dari Badan Pusat Statistik Pekanbaru dari tahun 2019-2021 yang terdiri dari 12 Kabupaten/Kota dengan menggunakan atribut 3 variabel yaitu jumlah penduduk miskin (ribu jiwa), jumlah pengangguran (ribu jiwa) dan rata-rata lama sekolah (tahun). Data tersebut kemudian diolah menggunakan software RapidMiner dengan mengelompokkan tingkat kemiskinan menjadi 3 cluster, yaitu: tingkat kemiskinan rendah (C1) dengan hasil persentase 2,9%, tingkat kemiskinan sedang (C2) 0,6%, dan tingkat kemiskinan tinggi (C3) 3,5%. Adapun Kabupaten/kota pada cluster 1 yaitu Kuantan Singingi, Indragiri Hulu, Siak, Bengkalis, dan Dumai. Kemudian Kabupaten/kota pada cluster 2 yaitu Pekanbaru. Sedangkan Kabupaten/kota yang termasuk pada cluster 3 yaitu Indragiri Hilir, Pelalawan, Kampar, Rokan Hulu, Rokan Hilir, dan Kepulauan Meranti.
References
S. R. Dinata, M. Romus, and Yanti, “Faktor Faktor Yang Mempengaruhi Tingkat Kemiskinan Di Provinsi Riau Tahun 2003-2018,” Al-Iqtishad, vol. 2, no. 16, pp. 116–137, 2020.
N. Islami and A. Anis, “Pengaruh Upah Minimum Provinsi, Pendidikan Dan Kesehatan Terhadap Kemiskinan Di Indonesia,” J. Kaji. Ekon. dan Pembang., vol. 1, no. 3, pp. 939–948, 2019.
R. Mustafidah, “Pengelompokan Kabupaten/Kota di Provinsi Jawa Tengah Berdasarkan Indikator Kemiskinan dengan C-Means dan Fuzzy C-Means Clustering.” Institut Teknologi Sepuluh Nopember, 2017.
G. Anuraga, “Hierarchical Clustering Multiscale Bootstrap Untuk Pengelompokan Kemiskinan Di Jawa Timur,” J. Stat. Univ. Muhammadiyah Semarang, vol. 3, no. 1, 2015.
T. P. Purba and T. Himawan, “Pemenuhan Rumah Layak Huni di Provinsi Riau,” J. Penataan Ruang, vol. 16, no. 2, p. 98, 2021, doi: 10.12962/j2716179x.v16i2.8572.
A. R. Utami and A. Afriyudi, “PENERAPAN DATA MINING UNTUK CLUSTERING DATA PENDUDUK MISKIN MENGGUNAKAN ALGORITMA HARDC-MEAN DENGAN RAPID MINER,” in Bina Darma Conference on Computer Science (BDCCS), 2021, vol. 3, no. 2, pp. 312–320.
Y. R. Sari, A. Sudewa, D. A. Lestari, and T. I. Jaya, “Penerapan Algoritma K-Means Untuk Clustering Data Kemiskinan Provinsi Banten Menggunakan Rapidminer,” CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, pp. 192–198, 2020.
D. Wahyuli, H. Handrizal, I. Parlina, A. P. Windarto, D. Suhendro, and A. Wanto, “Mengelompokkan Garis Kemiskinan Menurut Provinsi Menggunakan Algoritma K-Medoids,” in Prosiding Seminar Nasional Riset Information Science (SENARIS), 2019, vol. 1, pp. 452–461.
S. I. Astuti, S. P. Arso, and P. A. Wigati, “Data Dan Pengumpulan Data,” Anal. Standar Pelayanan Minimal Pada Instal. Rawat Jalan di RSUD Kota Semarang, vol. 3, no. 1996, pp. 103–111, 2015.
A. Rusmana, “Pengantar Pengolahan Data dan Informasi”.
H. N. Putri and D. R. S. Saputro, “Clustering Data Campuran Numerik dan Kategorik Menggunakan Algoritme Ensemble Quick RObust Clustering using linKs (QROCK),” in PRISMA, Prosiding Seminar Nasional Matematika, 2022, vol. 5, pp. 716–720.
R. Adha, N. Nurhaliza, U. Sholeha, and M. Mustakim, “Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Kasus Covid-19 di Dunia,” SITEKIN J. Sains, Teknol. dan Ind., vol. 18, no. 2, pp. 206–211, 2021.
S. Regina, E. Sutinah, and N. Agustina, “Clustering Kualitas Kinerja Karyawan Pada Perusahaan Bahan Kimia Menggunakan Algoritma K-Means,” J. MEDIA Inform. BUDIDARMA, vol. 5, no. 2, pp. 573–582, 2021.
E. Muningsih, I. Maryani, and V. R. Handayani, “Penerapan Metode K-Means dan Optimasi Jumlah Cluster dengan Index Davies Bouldin untuk Clustering Propinsi Berdasarkan Potensi Desa,” EVOLUSI J. Sains dan Manaj., vol. 9, no. 1, 2021.
T. T. Hanifa, S. Al-Faraby, F. Informatika, and U. Telkom, “Analisis Churn Prediction pada Data Pelanggan PT. Telekomunikasi dengan Logistic Regression dan Underbagging,” vol, vol. 4, pp. 3210–3225, 2017.
