ANALISIS DATA MINING CLUSTERING TENTANG TINGKAT KESEJAHTERAAN DI DESA KARANG ANYAR MENGGUNAKAN METODE K-MEANS

NUR HALIMAH TAMBUNAN, NPM 2009100092 (2024) ANALISIS DATA MINING CLUSTERING TENTANG TINGKAT KESEJAHTERAAN DI DESA KARANG ANYAR MENGGUNAKAN METODE K-MEANS. Skripsi thesis, Universitas Labuhanbatu.

	Text COVER DAN LEMBAR PENGESAHAN.pdf Download (925kB)
	Text BAB I.pdf Download (286kB)
	Text BAB II.pdf Download (665kB)
	Text BAB III.pdf Download (283kB)
	Text BAB IV.pdf Download (150kB)
	Text BAB V.pdf Download (90kB)
	Text DAFTAR PUSTAKA.pdf Download (90kB)

Abstract

Analisis klaster tingkat kesejahteraan masyarakat memiliki tujuan utama untuk mengidentifikasi pola dalam data yang memberikan gambaran jelas mengenai sebaran kesejahteraan di suatu wilayah. Dengan menggunakan pendekatan ini, masyarakat dapat dikelompokkan berdasarkan karakteristik ekonomi, sosial, dan demografi yang mereka miliki. Hasil dari pengelompokan ini sangat berguna untuk menentukan wilayah-wilayah mana yang memerlukan perhatian lebih dalam hal pembangunan. Identifikasi pola tersebut tidak hanya memetakan keadaan kesejahteraan secara umum, tetapi juga membantu dalam merancang strategi yang lebih efektif dan efisien dalam menyalurkan program program kesejahteraan yang ada. Dengan demikian, setiap individu dalam masyarakat diharapkan dapat menerima manfaat yang tepat sesuai dengan kebutuhan mereka. Dalam analisis ini, metode K-Means digunakan sebagai teknik klasterisasi untuk mengelompokkan data berdasarkan fitur-fitur yang serupa. Metode ini dipilih karena keefektifannya dalam mengelompokkan data dengan berbagai karakteristik yang berbeda. Dalam konteks tingkat kesejahteraan masyarakat, data yang dianalisis mencakup berbagai indikator penting seperti pendapatan, tingkat pendidikan, dan akses terhadap layanan kesehatan. K-Means kemudian membagi data tersebut ke dalam beberapa klaster yang masing-masing mewakili tingkat kesejahteraan yang berbeda-beda. Setiap klaster yang terbentuk menggambarkan sekelompok orang dengan karakteristik yang serupa, sehingga memudahkan identifikasi wilayah yang mungkin memerlukan intervensi lebih lanjut untuk meningkatkan kesejahteraan penduduknya. Hasil dari analisis klaster ini menunjukkan bahwa masyarakat dapat dibagi ke dalam beberapa kelompok berdasarkan tingkat kesejahteraan yang mereka miliki. Dalam analisis yang dilakukan, terdapat klaster-klaster tertentu yang menggambarkan masyarakat dengan tingkat kesejahteraan yang relatif tinggi, sementara klaster lainnya menunjukkan tingkat kesejahteraan yang lebih rendah. Dengan hasil ini, para pemangku kepentingan dapat menggunakan informasi yang dihasilkan untuk merancang strategi yang lebih terarah dalam mengatasi ketimpangan sosial dan ekonomi. Secara keseluruhan, analisis klaster ini memberikan keakuratan yang cukup tinggi, bahkan meskipun perhitungan dilakukan secara manual. Keakuratan ini memberikan keyakinan bahwa metode K-Means adalah alat yang efektif dalam mengungkap pola-pola tersembunyi dalam data kesejahteraan masyarakat. Dari 60 data sampel yang dianalisis, hasil clustering menunjukkan bahwa data tersebut terbagi ke dalam tiga cluster yang berbeda. Cluster C1 terdiri dari 12 sampel, yang mungkin mewakili kelompok dengan karakteristik atau pola yang cukup berbeda dari kelompok lainnya. Cluster C2 mencakup 18 sampel, yang menandakan bahwa karakteristik dalam kelompok ini sedikit lebih umum. Kata Kunci : Penemuan Pengetahuan Dalam Basis Data (KDD); Penambangan Data; Metode K-Means; Pengelompokan;

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Penemuan Pengetahuan Dalam Basis Data (KDD); Penambangan Data; Metode K-Means; Pengelompokan;
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources
Divisions:	Fakultas Sains Dan Teknologi > Sistem Informasi
Depositing User:	Unnamed user with email repository@ulb.ac.id
Date Deposited:	24 Oct 2024 03:11
Last Modified:	24 Oct 2024 03:11
URI:	http://repository.ulb.ac.id/id/eprint/1190

Actions (login required)

View Item