Penerapan Metode K-Means Dalam Pengelompokan Kabupaten/Kota Di Kalimantan Berdasarkan Indikator Pendidikan

Gerald Claudio Messakh; Memi Nor Hayati; Sifriyani Sifriyani

doi:10.30872/eksponensial.v14i2.1103

Gerald Claudio Messakh Program Studi Statistika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Mulawarman
Memi Nor Hayati
Sifriyani Sifriyani

DOI: https://doi.org/10.30872/eksponensial.v14i2.1103

Abstract

Cluster analysis is an analysis that aims to classify data based on the similarity of spesific characteristics. Based on the structure, cluster analysis is divided into two, namely hierarchical and non-hierarchical methods. One of the non-hierarchical methods used in this study is K-Means. K-Means is a partition-based non-hierarchical data grouping method. This purpose of this study is to obtain the best results of grouping regencies/cities on the island of Kalimantan based on education indicators using the K-Means method based on the smallest ratio of standard deviation. Based on the results of the analysis, it can be concluded that the best grouping results based on the smallest ratio of standard deviation is 0.6052 which produces optimal clusters of 2 clusters with the first cluster consisting of 14 Regencies/Cities while the second cluster consists of 42 Regencies/Cities on Kalimantan Island

Downloads

Download data is not yet available.

References

Direktorat Statistik Kesejahteraan Rakyat. (2021). Statistik Pendidikan 2021. Badan Pusat Statistik.
Gujarati, D. (2003). Ekonometrika Dasar. Terjemah Sumarno Zein. Jakarta: Erlangga.
Lathifaturrahmah. (2010). Perbandingan Hasil Penggerombolan Metode K-Means, Fuzzy C-Means, dan TWO Step Cluster. Bogor: Institut Pertanian Bogor.
Masnarivan, Y. (2021). Memahami Penyakit Demam Berdarah Dengue Di Sumatera Barat. Yogyakarta: Bintang Pustaka Madani.
Michael, E & Gordon, G. (1981). Analysis and Adjustment of Survey Measurement, New York: Van Nostrand Reinhold Company.
Nurjanah, Farmadi, A., & Indriani, F. (2014). Implementasi Metode Fuzzy C-Means Pada Sistem Clustering Data Varietas Padi. Jurnal Ilmu Komputer. 1(1), 23–32.
Prasetyo, E. (2012). Data Mining: Konsep dan Aplikasi menggunakan Matlab.Yogyakarta: Andi Offset.
Santoso, S. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: PT. Elex Media Komputindo Gramedia.
Santoso, S. (2010). Statistika Multivariat Konsep & Aplikasi dengan SPSS. Jakarta: PT. Elex Media Komputindo.
Santoso, S. (2015). Menguasai Statistik Multivariat. Jakarta: PT. Elex Media Komputindo.
Suyanto. (2017). Data Mining Untuk Klasifikasi dan Klasterisasi Data. Bandung: Informatika.
Suyanto. (2018). Machine Learning Tingkat Dasar dan Lanjut. Bandung: Informatika Bandung.
Triyanto, W.A. (2015). Algoritma K-Medoids untuk Penentuan Strategi Pemasaran Produk. Jurnal SIMETRIS. 6(1), 183 – 188.
Vulandari, R.T. (2017). Data Mining Teori dan Aplikasi Rapid Miner. Yogyakarta: Gava Media.
Yohannes. (2016). Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means. Palembang: STMIK-Global Informatika MDP.
Yulianto, S. & Hidayatullah, K.H. (2014). Analisis Klaster untuk Pengelompokan Kabupaten/Kota di Provinsi Jateng berdasarkan Indikator Kesejahteraan Rakyat. Jurnal Akd. Statistika Muhammadiyah Semarang.