Perbandingan Teknik Unsupervised Learning Untuk Pengelompokan Data Jumlah Desa Di Indonesia
Comparison of Unsupervised Learning Techniques for Clustering Data on the Number of Villages in Indonesia
Keywords:
Clustering , DBI , Fuzzy C-Means , K-Means , K-MedoidsAbstract
Pendidikan adalah wadah untuk berkembang dan meningkatkan kualitas sumber daya manusia. Kualitas pendidikan yang baik dapat dicapai dengan perbaikan mutu pendidikan. Namun kualitas pendidikan di Indonesia untuk saat ini masih cukup memprihatikan. Kualitas pendidikan salah satunya dipengaruhi oleh fasilitas sekolah yang baik dan memadai. Faktanya masih banyak daerah Indonesia yang tidak dapat menikmati akses dan fasilitas pendidikan yang baik. Pada penelitian ini dilakukan pengelompokan jumlah desa yang memiliki fasilitas sekolah berdasarkan provinsi untuk memberikan informasi kepada pemerintah tentang daerah-daerah yang memiliki fasilitas sekolah rendah. Tujuannya adalah agar pemerintah dapat memprioritaskan pembangunan pada daerah tersebut. Pada penelitian ini menggunakan pengolahan data dengan 3 algoritma clustering, diantaranya adalah algoritma K-Means, algoritma K-Medoids, dan algoritma Fuzzy C-Means. Masing-masing algoritma diuji dengan percobaan K=3 sampai K=10 sehingga diperoleh nilai perbandingan validitas cluster menggunakan DBI pada algoritma K-Means yaitu 0,451, K-Medoids yaitu sebesar 0,638, dan Fuzzy-C-Means yaitu sebesar 0,491. K-Means terbukti lebih unggul daripada algoritma K-Medoids dan algoritma Fuzzy C-Means untuk melakukan pengelompokan data desa yang memiliki fasilitas sekolah menurut provinsi di Indonesia
References
A. Faiz and I. Kurniawaty, “Faiz, Aiman Kurniawaty, Imas,” vol. 12, no. 2, pp. 155–164, 2020.
D. A. Nurhayati and Ambari, “Jurnal Pendidikan Kewarganegaraan Undiksha Vol. 8 No. 2 (Mei, 2020),” J. Pendidik. Kewarganegaraan Undika, vol. 8, no. 2, pp. 157–167, 2020, [Online]. Available: https://www.google.com/url?sa=t&source=web&rct=j&url=https://ejournal.undiksha.ac.id/index.php/JJPP/article/view/25434&ved=2ahUKEwic5fep2PHsAhUSeYKHU8fBGQQFjAAegQICRAC&usg=AOvVaw3Tezzh5erg5X3r51XrDwtW
S. F. N. Fitri, “Problematika Kualitas Pendidikan di Indonesia,” J. Pendidik. Tambusai, vol. 5, no. 1, pp. 1617–1620, 2021.
T. J. V. Aristo, “Analisis permasalahan pemerataan pendidikan di Kabupaten Sintang,” J. Akuntabilitas Manaj. Pendidik., vol. 7, no. 1, pp. 25–34, 2019, doi: 10.21831/amp.v7i1.10923.
M. T. Islam, P. K. Basak, P. Bhowmik, and M. Khan, “Data Clustering Using Hybrid Genetic Algorithm with k-Means and k-Medoids Algorithms,” ICSEC 2019 - 23rd Int. Comput. Sci. Eng. Conf., pp. 123–128, 2019, doi: 10.1109/ICSEC47112.2019.8974797.
H. Syukron, M. F. Fayyad, and F. J. Fauzan, “Comparison K-Means K-Medoids and Fuzzy C-Means for Clustering Customer Data with LRFM Model “ Perbandingan K-Means K-Medoids dan Fuzzy C-Means untuk Pengelompokan Data Pelanggan dengan Model LRFM,” vol. 2, no. October, pp. 76–83, 2022.
A. E. Pramitasari and Y. Nataliani, “Perbandingan Clustering Karyawan Berdasarkan Nilai Kinerja Dengan Algoritma K-Means Dan Fuzzy C-Means,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 3, pp. 1119–1132, 2021, doi: 10.35957/jatisi.v8i3.957.
N. T. Luchia, H. Handayani, F. S. Hamdi, D. Erlangga, and S. Fitri Octavia, “Perbandingan K-Means dan K-Medoids Pada Pengelompokan Data Miskin di Indonesia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 2, no. 2, pp. 35–41, 2022.
D. S. Maylawati, T. Priatna, H. Sugilar, and M. A. Ramdhani, “Data science for digital culture improvement in higher education using K-means clustering and text analytics,” Int. J. Electr. Comput. Eng., vol. 10, no. 5, pp. 4569–4580, 2020, doi: 10.11591/IJECE.V10I5.PP4569-4580.
D. F. Pramesti, Lahan, M. Tanzil Furqon, and C. Dewi, “Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 9, 2017.
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.
F. H. Kuwil, F. Shaar, A. E. Topcu, and F. Murtagh, “A new data clustering algorithm based on critical distance methodology,” Expert Syst. Appl., vol. 129, pp. 296–310, 2019, doi: 10.1016/j.eswa.2019.03.051.
S. A. Abbas, A. Aslam, A. U. Rehman, W. A. Abbasi, S. Arif, and S. Z. H. Kazmi, “K-Means and K-Medoids: Cluster Analysis on Birth Data Collected in City Muzaffarabad, Kashmir,” IEEE Access, vol. 8, pp. 151847–151855, 2020, doi: 10.1109/ACCESS.2020.3014021.
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.
D. Kurmiati, M. Zakiy Fauzi, Ripangi, A. Falegas, and Indria, “Clustering of Earthquake Prone Areas in Indonesia Using K-Medoids Algorithm Klasterisasi Daerah Rawan Gempa Bumi di Indonesia Menggunakan Algoritma K-Medoids,” Indones. J. Mach. Learn. Comput. Sci. , vol. 1, no. 1, pp. 47–57, 2021.
X. Luo, “Digital Art Design Effectiveness Model System Based on K-Medoids Algorithm,” Adv. Multimed., vol. 2022, 2022, doi: 10.1155/2022/2901815.
S. Sindi, W. R. O. Ningse, I. A. Sihombing, F. I. R.H.Zer, and D. Hartama, “Analisis Algoritma K-Medoids Clustering Dalam Pengelompokan Penyebaran Covid-19 Di Indonesia,” J. Teknol. Inf., vol. 4, no. 1, pp. 166–173, 2020, doi: 10.36294/jurti.v4i1.1296.
A. K. Dubey, U. Gupta, and S. Jain, “Comparative study of K-means and fuzzy C-means algorithms on the breast cancer data,” Int. J. Adv. Sci. Eng. Inf. Technol., vol. 8, no. 1, pp. 18–29, 2018, doi: 10.18517/ijaseit.8.1.3490.
S. Fitri Octavia, “Penerapan K-Means dan Fuzzy C-Means untuk Pengelompokan Data Kasus Covid-19 di Kabupaten Indragiri Hilir,” Technol. Sci., vol. 3, no. 2, pp. 88–94, 2021, doi: 10.47065/bits.v3i2.1005.
Widiarina and R. S. Wahono, “Algoritma Cluster Dinamik Untuk Optimasi Cluster Pada Algoritma K-Means Dalam Pemetaan Nasabah Potensial,” J. Intell. Syst., vol. 1, no. 1, pp. 33–35, 2015.
