Implementasi Data Mining untuk Klasterisasi dan Prediksi Kelompok Keluarga
Abstract
Pengelompokkan keluarga ke dalam cluster mampu dan tidak mampu sangat diperlukan untuk acuan berbagai kegiatan di masa depan seperti bantuan pemerintah atau pihak terkait lainnya. Data mining merupakan salah satu pendekatan yang dapat digunakan untuk menyelesaikan masalah ini. Metode data mining yang cocok adalah clustering dan prediksi. Penelitian ini bertujuan untuk mengimplementasikan data mining untuk klasterisasi dan prediksi kelompok keluarga. Terdapat dua algoritma yang digunakan pada penelitian ini, yaitu kModes dan decision tree. Algoritma kModes berfungsi untuk menghasilkan cluster yang akan digunakan pada tahap selanjutnya, sedangkan metode decision tree digunakan sebagai algoritma prediksinya. Hasil penelitian menunjukkan bahwa kedua metode ini berhasil menyelesaikan masalah dengan tingkat akurasi yang sangat tinggi yaitu sebesar 95,3%, presisi sebesar 95,4%, dan recall sebesar 95,3%.
Keywords
Full Text:
PDFReferences
S. L. Dewi, “Membangun Peradaban Bangsa Dalam Era Globalisasi Pendidikan Karakter,†PENDAS MAHAKAM: Jurnal Pendidikan dan Pembelajaran Sekolah Dasar, vol. 4, no. 1, pp. 48-54, 2019.
R. Al-Hamdi, “Ketika Sekolah Menjadi Penjara: Membongkar Dilema Pendidikan Masyarakat Modern,†J Soc Media, vol. 1, no. 1, pp. 11-34, 2017.
Y. C. Pratama, “Analisis Faktor-Faktor Yang Mempengaruhi Kemiskinan Di Indonesia,†Esensi, vol. 4, no. 2, pp. 210–223, 2015.
Kemendikbud RI, “Program Indonesia Pintar,†https://indonesiapintar.kemdikbud.go.id/, 2021.
I. A. Arbi, “Dari Pungli hingga Salah Sasaran Penerima, Ini Ragam Masalah Bansos di Jabodetabek,†https://megapolitan.kompas.com/read/2021/07/30/08055781/dari-pungli-hingga-salah-sasaran-penerima-ini-ragam-masalah-bansos-di?page=all, 2021.
E. Fammaldo and L. Hakim, “Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Tingkat Kesejahteraan Keluarga Untuk Program Kartu Indonesia Pintar,†J Ilm Teknol Infomasi Terap, vol. 5, no. 1, pp. 23–31, 2019.
A. K. Maheshwari, Business Intelligence and Data Mining. Ferguson M, editor. Business Expert Press, LLC, 2015.
P. S. Hasugian, “Penerapan Data Mining untuk Klasifikasi Produk Menggunakan Algoritma K-Means (Studi Kasus : Toko Usaha Maju Barabai),†J Mantik Penusa, vol. 2, no. 2, pp. 191–198, 2018.
D. Sunia and P. A. J. Kurniabudi, “Penerapan Data Mining untuk Clustering Data Penduduk Miskin Menggunakan Algoritma K-Means,†J Ilm Mhs Tek Inform, vol. 1, no. 2, pp. 121–134, 2016.
C. E. Purnomo and Rikendry, “Penerapan metode c4.5 untuk klasifikasi warga miskin pada desa mengandung sari,†vol. 2, no. 3, pp. 14–25, 2021.
I. Sutoyo, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Data Peserta Didik,†J Pilar Nusa Mandiri, vol. 14, no. 2, pp. 217, 2018.
Y. A. Priambodo, S. Y. J. Prasetyo, “Pemetaan Penyebaran Guru di Provinsi Banten dengan Menggunakan Metode Spatial Clustering K-Means (Studi kasus : Wilayah Provinsi Banten),†Indones J Comput Model, vol. 1, no. 1, pp. 18–27, 2018.
G. S. Nugraha and Hairani, “Aplikasi Pemetaan Kualitas Pendidikan Di Indonesia Menggunakan Metode K-Means,†MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 17, no. 2, pp. 13-23, 2018.
Orange: Data Mining Fruitful and Fun. https://orangedatamining.com/, 2021.
A. Azevedo and M. F. Santos MF. KDD, SEMMA AND CRISP-DM : A PARALLEL OVERVIEW. June 2014.
H. Akbar, Ingin Terapkan Data Mining? Ini Tahapannya. https://mti.binus.ac.id/2017/12/05/ingin-terapkan-data-mining-ini-tahapannya/, 2017.
S. A. Alasadi and W. S. Bhaya “Review of data preprocessing techniques in data mining,†J Eng Appl Sci., vol. 12, no. 16, pp. 4102–4107, 2017.
S. Kumar S, 7 Ways to Handle Missing Values in Machine Learning. https://towardsdatascience.com/7-ways-to-handle-missing-values-in-machine-learning-1a6326adf79e, 2017.
X. Deng, Q. Liu, Y. Deng, and S. Mahadevan, “An improved method to construct basic probability assignment based on the confusion matrix for classification problem,†Inf Sci (Ny), vol. 340–341, pp. 250–261, 2016.
D. Shulga, “Reasons why you should use Cross-Validation in your Data Science Projects,†https://towardsdatascience.com/5-reasons-why-you-should-use-cross-validation-in-your-data-science-project-8163311a1e79, 2018.
DOI: http://dx.doi.org/10.31544/jtera.v7.i1.2022.149-156
Abstract 240 View PDF viewed = 352 View
Refbacks
- There are currently no refbacks.
Copyright (c) 2022 JTERA (Jurnal Teknologi Rekayasa)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright @2016-2023 JTERA (Jurnal Teknologi Rekayasa) p-ISSN 2548-737X e-ISSN 2548-8678.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
JTERA Editorial Office:
Politeknik Sukabumi
Jl. Babakan Sirna 25, Sukabumi 43132, West Java, Indonesia
Phone/Fax: +62 266215417
Whatsapp: +62 81809214709
Website: https://jtera.polteksmi.ac.id
E-mail: jtera@polteksmi.ac.id