IMPLEMENTASI ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN KABUPATEN ATAU KOTA DI JAWA TIMUR BERDASARKAN TINGKAT KESEJAHTERAAN

Umar Dani, Hardian Oktavianto, Habibatul Azizah Al Faruq

Abstract


Keberhasilan pembangunan sebuah negara dapat diukur melalui tingkat kesejahteraannya. Peningkatan kesejahteraan adalah bukti keberhasilan dari rencana pembangunan setiap negara, termasuk Indonesia. Pembenahan dilakukan di setiap provinsi Indonesia. Namun, perbedaan kandungan sumber daya, sumber daya demografi, dan pembangunan di setiap wilayah menyebabkan perbedaan tingkat kesejahteraan masyarakat yang bersangkutan, salah satunya dipengaruhi oleh disparitas pembangunan di Provinsi Jawa Timur. Dalam hal ini, untuk mengatasi ketimpangan kesejahteraan, diperlukan upaya untuk mengetahui tingkat kesejahteraan suatu wilayah, kabupaten, atau kota. Pengelompokan dapat digunakan untuk menentukan wilayah mana yang paling penting. Salah satu metode untuk mengetahui cluster mana yang paling baik adalah dengan menggunakan algoritma fuzzy c-means. Data yang digunakan terdiri dari 38 kabupaten/kota di Jawa Timur dari tahun 2018 hingga 2019. Berdasarkan pengujian dari tiga hingga sepuluh cluster, tiga cluster dianggap sebagai cluster terbaik dengan nilai partition coefficient index 0,531075. Cluster 1 memiliki 8 anggota kabupaten/kota, cluster 2 memiliki 13 anggota, dan cluster 3 memiliki 17 anggota.


Keywords


Kesejahteraan; Fuzzy C-means; Partitioning Coefficient Index; Jawa Timur; Clustering

References


Abidin, Z. (2017). Pengelompokan Kabupaten/Kota Di Jawa Timur Berdasarkan Indikator Kemiskinan Dengan Menggunakan Analisis Cluster Hierarki. Surabaya: Institut Teknologi Sepuluh Nopember.

Arikunto, S. (2006). Metode Penelitian Kualitatif. Jakarta: Bumi Aksara.

Han, J., & Kamber, M. (2016). Data Mining: Concept and Techniques, Second Edition. Waltham: Morgan Kaufmann Publishers.

Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concept and Techniques, 3rd ed. Amsterdam: Morgan Kaufmann-Elsevier.

Herlinda, V., Darwis, D., & Dartono. (2021). Analisis Clustering Untuk Recredesialing Fasilitas Kesehatan Menggunakan Metode Fuzzy C-Means. Jurnal Teknologi dan Sistem Informasi (JTSI), 2(2), 94–99.

Hidayadi, T., Achmad, D., & Niam2, M. (2022). Analisis Disparitas Ekonomi Wilayah Jabodetabek Pada Masa Pandemi Covid 19. Iltizam Journal of Shariah Economic Research, 6(1), 117–130.

Holland, S, M. (2006). Cluster Analysis. United States: University of Georgia.

Kemala, R. F., Astuti, I. F., & Maharani, S. (2019). Penerapan Metode Fuzzy C-Means Pada Aplikasi Simulasi TOEFL (Test Of English As A Foreign Language) Berbasis Web (Studi Kasus: Fakultas MIPA Universitas Mulawarman). Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer, 14(1), 17–20.

Larose, D. T., & Larose, C. D. (2005). Discovering Knowledge In Data: An Introduce to Data Mining. Canada: JohnWilley and Sons, Inc.

Nasution, D. A., Khotimah, H. H., & Chamidah, N. (2019).

Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN. Computer Engineering, Science and System Journal, 4(1), 78–82.

Pamungkas, M. A. (2021). Perbandingan Fuzzy C-Means dan K-Means untuk Mengelompokkan Tingkat Buta Huruf Berdasarkan Provinsi di Indonesia. Universitas Muhammadiyah Jember.

Selviana, N. I., & Mustakim. (2016). Analisis perbandingan K-Means dan Fuzzy C-Means untuk pemetaan motivasi balajar mahasiswa. Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI) 8, 1(1), 95–105.

Sinaga, A. S. R. (2017). Data Mining Informasi Tingkat Kelulusan Mahasiswa STMIK Pelita Nusantara Medan. Jurnal Manajemen dan Informatika Komputer Pelita Nusantara, 1(1), 27–35.




DOI: https://doi.org/10.32528/jasie.v4i2.18822

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 JASIE: Jurnal Aplikasi Sistem Informasi dan Elektronika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.