SKRIPSI Sistem Informasi

SEGMENTASI PENDUDUK MISKIN DI INDONESIA MENGGUNAKAN ALGORITMA K-MEANS

---

Rivallinata, Agita Vidiasti. 2023. Segmentasi Penduduk Miskin di Indonesia Menggunakan Algoritma K-Means. Skripsi, Program Studi Sistem Informasi STMIK PPKIA Pradnya Paramita. Pembimbing: (I) Dr. Tb. Mohammad Akhriza, S.Si., MMSI., Ph.D, (II) Dr. Dwi Safiroh Utsalina, S.Kom., MMSI

Kata Kunci: K-Means, Clustering, Silhoutte Coefficient

Dalam konteks pandemi Covid-19, kebijakan pemerintah untuk menekan penyebaran virus telah berdampak pada pertumbuhan perekonomian dan meningkatnya jumlah penduduk miskin di Indonesia. Pengelompokkan tingkat kemiskinan wilayah-wilayah di Indonesia menjadi penting sebagai informasi yang dapat digunakan untuk menentukan kebijakan dan penyaluran bantuan yang tepat. Tujuan dilakukannya penelitian ini yaitu untuk melakukan pengelompokkan pada data kemiskinan di Indonesia berdasarkan atribut GKM, GKNM, IkdK dan IKpK. Oleh karena itu, dibutuhkan teknik data mining yang dapat mengelompokkan tingkat kemiskinan wilayah-wilayah di Indonesia dengan algoritma K-Means. Hasil penelitian menunjukkan adanya 3 cluster kemiskinan, yaitu kemiskinan tingkat rendah, sedang, dan tinggi. Clustering yang dilakukan pada data sebelum, selama, dan setelah pandemi tanpa menggunakan teknik pengelompokan binning tidak menghasilkan pergeseran cluster, setelah menggunakan binning terjadi pergeseran cluster di beberapa provinsi pada tahun 2020 dan 2022. Hasil clustering pada data puncak pandemi menuju kehidupan kenormalan tanpa menggunakan binning menghasilkan pergeseran dari tinggi menuju rendah, yakni pada provinsi Maluku dan Nusa Tenggara Timur, setelah menggunakan binning mengalami pergeseran dari tingkat kemiskinan tinggi ke rendah terjadi pada provinsi Nusa Tenggara Timur dan dari tingkat kemiskinan sedang ke rendah terjadi pada provinsi Bengkulu. Hal ini menunjukkan bahwa binning data dapat memberikan informasi yang lebih detail dan membantu dalam memahami perubahan tingkat kemiskinan. Penggunaan Silhoutte Coefficient sebagai metrik evaluasi clustering menunjukkan nilai antara 0,54-0,59, yang mengindikasikan clustering yang terbentuk memiliki interpretasi yang baik dan mendekati nilai 1.

---

Ketersediaan

Tidak ada salinan data

Informasi Detail

Judul Seri

-

No. Panggil

001.42 AGI A SKR SISTEM_INFORMASI

Penerbit

: ., 2023

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Agita Vidiasti Rivallinata

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus login sebelum memberikan komentar