PENENTUAN PUSAT AWAL KLASTER ALGORITMA K-MEANS UNTUK PEMETAAN TINGKAT KESEJAHTERAAN DI PROVINSI JAWA TENGAH
Keywords:
Algoritma K-means, Centroid, Kesejahteraan, KlasterAbstract
Kesejahteran mempunyai arti yang relatif, dinamis dan kuantitatif. Sampai saat ini rumusanya tidak pernah selesai karena akan terus berkembang seiring dengan perkembangan zaman. Kesejahteraan secara umum adalah suatu keadaan dimana segenap warga negara selalu berada dalam kondisi yang serba kecukupan dalam segala kebutuhannya. Kemiskinan di Provinsi Jawa Tengah masih berada di atas kemiskinan nasional. Pengelompokkan kemiskinan merupakan salah satu cara untuk mengidentifikasi karakteristik tingkat kesejahteraan rakyat pada tiap daerah agar dalam mengambil kebijakan dan strategi pembangunan tepat sasaran dan tepat guna. Algoritma K-means merupakan salah satu algoritma klastering yang paling sering digunakan untuk pengelompokan objek dikarena kemudahan dalam pengaplikasianya dan sangat efisien untuk mengelompokan data yang besar, namun algoritma K-means memiliki kelemahan pada pemilihan pusat awal klaster secara acak, sehingga menyebabkan kinerja algoritma K-means menurun. Pada penelitian ini diusulkan metode penentuan pusat awal klaster pada algoritma K-means. Hasil penelitian menunjukan bahwa metode yang diusulkan memiliki kinerja yang lebih baik daripada algoritma K-means Standar.
References
Celebi, M. E., Kingravi, H. A., & Vela, P. A. (2013). A comparative study of efficient initialization methods for the k-means clustering algorithm. Expert Systems with Applications, 40(1), 200–210. https://doi.org/10.1016/j.eswa.2012.07.021
Cura, T. (2012). A particle swarm optimization approach to clustering. Expert Systems with Applications, 39(1), 1582–1588. https://doi.org/10.1016/j.eswa.2011.07.123
Fahad, A., Alshatri, N., Tari, Z., Alamri, A., Khalil, I., Zomaya, A. Y., … Bouras, A. (2014). A survey of clustering algorithms for big data: Taxonomy and empirical analysis. IEEE Transactions on Emerging Topics in Computing, 2(3), 267–279. https://doi.org/10.1109/TETC.2014.2330519
Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques (Third). Waltham: Morgan Kaufmann. https://doi.org/10.1016/B978-0-12-381479-1.00001-0
Hidayat, R., Wasono, R., & Darsyah, M. Y. (2017). Pengelompokan Kabupaten Kota Di Jawa Tengah Menggunakan Metode K-Means dan Fuzzy C-Means. Prosiding Seminar Nasional Pendidikan, Sains Dan Teknologi, 240–250.
Hsu, F. M., Lu, L. P., & Lin, C. M. (2012). Segmenting customers by transaction data with concept hierarchy. Expert Systems with Applications, 39(6), 6221–6228. https://doi.org/10.1016/j.eswa.2011.12.005
Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666. https://doi.org/10.1016/j.patrec.2009.09.011
Naldi, M. C., & Campello, R. J. G. B. (2014). Evolutionary k-means for distributed data sets. Neurocomputing, 127, 30–42. https://doi.org/10.1016/j.neucom.2013.05.046
Pimentel, B. A., & de Souza, R. M. C. R. (2016). Multivariate Fuzzy C-Means algorithms with weighting. Neurocomputing, 174, 946–965. https://doi.org/10.1016/j.neucom.2015.10.011
Putrina, U. (2015). Metode Cluster Analysis untuk Pengelompokan Kabupaten/Kota di Provinsi Jawa Tengah Berdasarkan Variabel yang Mempegaruhi Kemiskinan pada Tahun 2013. Institut Sains & Teknologi AKPRIND.
Roestam, S. (1993). Pembangunan nasional untuk kesejahteraan rakyat. Jakarta: Kantor Kementrian Koordinator Bidang Kesejahteraan Rakyat Republik Indonesia.
Xu, Q., Ding, C., Liu, J., & Luo, B. (2015). PCA-guided search for K-means. Pattern Recognition Letters, 54, 50–55. https://doi.org/10.1016/j.patrec.2014.11.017
Yulianto, S., & Hidayatulloh, K. H. (2014). Analisis Klaster untuk Pengelompokan Kabupaten/Kota di Provinsi Jawa Tengah Berdasarkan Indikator Kesejahteraan Rakyat. Jurnal Statistika, 2(1), 56–63.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2018 Deden Istiawan
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
