ANALISA PERBANDINGAN ALGORITMA CLUSTERING UNTUK PEMETAAN STATUS PEREKONOMIAN MASYARAKAT DI KELURAHAN TOMANG

HAPSARI, NOVIANA (2021) ANALISA PERBANDINGAN ALGORITMA CLUSTERING UNTUK PEMETAAN STATUS PEREKONOMIAN MASYARAKAT DI KELURAHAN TOMANG. S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 COVER.pdf Download (1MB) | Preview
	Text (BAB I) 02 BAB 1.pdf Restricted to Registered users only Download (51kB)
	Text (BAB II) 03 BAB 2.pdf Restricted to Registered users only Download (217kB)
	Text (BAB III) 04 BAB 3.pdf Restricted to Registered users only Download (42kB)
	Text (BAB IV) 05 BAB 4.pdf Restricted to Registered users only Download (243kB)
	Text (BAB V) 06 BAB 5.pdf Restricted to Registered users only Download (71kB)
	Text (DAFTAR PUSTAKA) 07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (189kB)
	Text (LAMPIRAN) 08 LAMPIRAN.pdf Restricted to Registered users only Download (456kB)

Abstract

Social economic status is a description of a person’s position and condition. Not only in Indonesia, but abroad social economic status is also very important in social life. The background of this research is that there is a need for the manager of Kelurahan Tomang to be able to find out the profile of the social economic status of the people who live in the village area. From there it is necessary to map the social economic status using a data-driven method driven approach with data mining techniques, especially clustering, so that a community social economic status mapping profile will be obtained. The clustering method used is the Fuzzy C-Means algorithm, K-Means, and K-Medoids. Of the three clustering algorithms, the best one will be sought and which one can better describe the profile of social economic status. This study uses the Dunn Index validation calculation to measure the cohesiveness of the resulting clusters. The best validation results from the cluster analysis of the Fuzzy C-Means algorithm are 0.91 with 6 clusters, K-Means algorithm gets the best validation of 0.95 with 5 clusters, and K-Medoids algorithm gets the best validation of 0.98 with 6 clusters. Algorithm K-Medoids algorithm can better describe the profile of social economic status on the population data owned by Kelurahan Tomang because it gets the highest validation results among the other two validations with a total of 6 cluster. Key words: Fuzzy C-Means, K-Means, K-Medoids, Data Mining, Clustering Status sosial ekonomi ialah gambaran tentang posisi dan kondisi seseorang. Tidak hanya di Indonesia tetapi diluar negeri, status sosial ekonomi juga sangat penting dalam kehidupan sosial. Latar belakang penelitian ini adalah adanya keperluan dari pengelola Kelurahan Tomang untuk dapat mengetahui profil status sosial ekonomi dari masyarakat yang berdomisili di area kelurahan tersebut. Dari sana, perlu dilakukan pemetaan status sosial ekonomi menggunakan pendekatan berbasis data method driven dengan teknik data mining khususnya clustering maka, akan didapatkan profil pemetaan status sosial ekonomi masyarakat. Metode clustering yang digunakan adalah algoritma Fuzzy C-Means, K-Means, dan K-Medoids. Dari ketiga algoritma clustering ini, akan dicari yang terbaik dan ditentukan mana yang lebih dapat menggambarkan profil status sosial ekonomi. Penelitian ini menggunakan perhitungan validasi Dunn Index untuk mengukur kekompakan cluster yang dihasilkan. Validasi terbaik dari hasil analisis cluster algoritma Fuzzy C-Means sebesar 0.91 dengan cluster sebanyak 6, algoritma K-Means mendapatkan validasi terbaik sebesar 0.95 dengan cluster sebanyak 5, dan algoritma K-Medoids mendapatkan validasi terbaik sebesar 0.98 dengan cluster sebanyak 6. Dari ketiga perbandingan algoritma tersebut, algoritma K-Medoids lebih dapat menggambarkan profil status sosial ekonomi pada data kependudukan yang dimiliki oleh Kelurahan Tomang karena mendapatkan hasil validasi tertinggi diantara kedua validasi yang lainnya dengan jumlah cluster sebanyak 6 cluster. Kata kunci: Fuzzy C-Means, K-Means, K-Medoids, Data Mining, Clustering

Actions (login required)

View Item