IMPLEMENTASI ALGORITMA K-MEANS DENGAN PARTICLE SWARM OPTIMIZATION UNTUK PENGELOMPOKAN TINGKAT KESEJAHTERAAN DI PROVINSI JAWA TIMUR

Ahmad Dedi Hartono, Deni Arifianto, Ilham Saifudin

Abstract


Sejahtera diartikan sebagai kondisi masyarakat yang berkecukupan dan mampu memenuhi kebutuhannya. Jika membahas kesejahteraan, adanya perbedaan sumber daya, kondisi demografi serta pembangunan disetiap wilayahnya menyebabkan ketimpangan. Terjadinya ketimpangan pembagunan antar wilayah, akan membawa impilkasi terhadap tingkat kesejahteraan pada wilayah bersangkutan. Implikasi tersebut ditimbulkan dalam bentuk kecemburuan dan ketidakpuasan yang dapat mengganggu ketentraman masyarkat. Dalam hal tersebut, diperlukan upaya untuk mengetahui tingkat kesejahteraan suatu wilayah atau kabupaten guna mengatasi ketimpangan kesejahteraan. Kabupaten yang akan dijadikan prioritas dapat diketahui dengan melakukan pengelompokan, satu diantaranya adalah memakai algoritma K-Means dengan Particle Swarm Optimization untuk menghitung cluster optimal dalam rangka menentukan cluster yang paling baik. Data yang digunakan adalah data pada 38 kabupaten/kota di jawa timur periode tahun 2019-2020. Berdasarkan pengujian dari 2 sampai 10 cluster, dihasilkan 2 cluster sebagai cluster optimum yang mana nilai sillhouette coeficient yaitu sebesar 0,35057. Ada 27 anggota kabupaten/kota di cluster 1, sedangkan ada 11 anggota kabupaten/kota di cluster 2.

Keywords


Kesejahteraan; K-means; Clustering

References


Haupt, R. L., Haupt, S. E., & Wiley, A. J. (2004). Algorithms Second Edition.

Madhulatha, T. S. (2012). an Overview on Clustering Methods. IOSR Journal of Engineering, 02(04), 719–725.

Mario, A., Herry, S., & Nasution, H. (2016). Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness. Jurnal Sistem dan Teknologi Informasi, 1(1), 1–6.

Patro, S. G. K., & sahu, K. K. (2015). Normalization: A Preprocessing Stage. Iarjset, 20–22.

Rustam, S., Santoso, H. A., & Supriyanto, C. (2018). Optimasi K-Means Clustering Untuk Identifikasi Daerah Endemik Penyakit Menular Dengan Algoritma Particle Swarm Optimization Di Kota Semarang. ILKOM Jurnal Ilmiah, 10(3), 251–259.

Simbolon, T. R. (2017). Analisa Keterkaitan Ketimpangan Pembangunan Antar Daerah Terhadap Pertumbuhan Ekonomi di Wilayah Sumatera.

Singh, N., Singh, S., & Singh, S. B. (2012). HPSO : a New Version of Particle Swarm Optimization Algorithm. Journal of Artificial Intelligence, 3(3), 123–134.

Soemartini, & Supartini, E. (2017). Analisis K-Means Cluster Untuk Pengelompokan Kabupaten/Kota Di Jawa Barat Berdasarkan Indikator Masyarakat. Prosiding, (Knpmp Ii), 144–154.

Supianto, A. A., & Mar’i, F. (2018). Clustering Credit Card Holder Berdasarkan Pembayaran Tagihan Menggunakan Improved K-Means Dengan Particle Swarm Clustering Credit Card Holder Based on Billing Payment Using Improved K-Means With Particle Swarm Optimization. Jurnal Teknologi Informasi dan Ilmu Komputer(JTIIK), 5(6), 737–744.

Tan, P.-N. (2006). Introduction to data mining. Journal of School Psychology, 19(1), 51–56.

Tenriawaru, A. (2018). Clustering Kabupaten/Kota Provinsi Sulawesi Tenggara Berdasarkan Indikator Kesejahteraan Rakyat. semanTIK, 4(2), 175–182.




DOI: https://doi.org/10.32528/jasie.v4i2.9218

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.