KLASIFIKASI DATA MINING PADA RUMAH TANGGA MENURUT PROVINSI DAN STATUS KEPEMILIKAN RUMAH KONTRAK/SEWA MENGGUNAKAN K-MEANS CLUSTERING METHOD

Erene Gernaria Sihombing

Abstract


Perumahan adalah kelompok rumah yang berfungsi sebagai lingkungan tempat tinggal atau hunian yang dilengkapi dengan prasarana lingkungan yaitu kelengkapan dasar fisik lingkungan, misalnya penyediaan air minum, pembuangan sampah, tersedianya listrik, telepon, jalan, yang memungkinkan lingkungan pemukiman berfungsi sebagaimana mestinya. Penelitian ini membahas tentang pengelompokan pertumbuhan rumah tangga menurut provinsi dan status kepemilikan rumah kontrak/sewa yang dilihat dari persentase. Metode yang digunakan adalah Datamining Clustering K-Means. Clustering adalah metode yang digunakan dalam data mining yang cara kerjanya mencari dan menglompokkan data yang mempunyai kemiripan karakteristik antara data satu dengan data lainnya yang telah diperoleh. Pengumpulan data dari rumah tangga terpilih dilakukan melalui wawancara tatap muka antara pencacah dengan responden. Untuk pertanyaan-pertanyaan dalam kuesioner Susenas yang ditujukan kepada individu diusahakan agar individu yang bersangkutan yang menjadi responden. Sedangkan pertanyaan-pertanyaan dalam kuesioner yang ditujukan kepada rumah tangga dikumpulkan melalui wawancara dengan kepala rumah tangga, suami/isteri kepala rumah tangga atau anggota rumah tangga lain yang mengetahui tentang karakteristik yang ditanyakan. Proses Survey Sosial Ekonomi Nasional (Susenas) dilakukan dalam beberapa tahap mulai dari sesunas 2004-2009. Semua kegiatan ini terekam di situs Badan Pusat Statistik (BPS) dengan alamat url https://www.bps.go.id/. Data yang digunakan dalam penelitian ini adalah data Persentase Rumah Tangga menurut Provinsi dan Status Kepemilikan Rumah Kontrak/Sewa dari tahun 1999-2016 yang terdiri dari 34 provinsi. Varibale yang digunakan adalah jumlah rata-rata persentasi Rumah Tangga menurut Provinsi dan Status Kepemilikan Rumah Kontrak/Sewa. Data akan diolah dengan melakukan clustering yang dibagi dalam 3 cluster yaitu cluster status kepemilikan rimah kontrak dengan tingkatan tinggi cluster status kepemilikan rimah kontrak dengan tingkatan sedang dan cluster status kepemilikan rimah kontrak dengan tingkatan rendah. Metode clustering yang digunakan dalam penelitian ini adalah metode K-Means. Cetroid data untuk cluster tingkatan tinggi 28,7986, Cetroid data untuk cluster tingkatan sedang 13,0389 serta Cetroid data untuk cluster tingkatan rendah 5,2515. Proses iterasi berlansung 4 kali sehingga diperoleh penilaian persentase Rumah Tangga menurut Provinsi dan Status Kepemilikan Rumah Kontrak/Sewa dengan 2 provinsi cluster tingkatan tinggi yakni Kepulauan Riuan dan DKI Jakarta, 12 provinsi cluster tingkatan sedang yakni Sumatera Utara, Sumatera Barat, Riau, Bengkulu, Jawa Tengah, Banten, Bali, Kalimantan Selatan, Kalimantan Timur, Kalimantan Tengah, Papua Barat dan Papua dan 20 provinsi cluster tingkatan rendah yakni Aceh, Jambi, Sumatera Selatan, Lampung, Bangka Belitung, Jawa Barat, Jawa Tengah, Jawa Timur, NTB, NTT, Kalimantan Barat, Kalimantan Selatan, Sulawasi Utara, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Tenggara, Gorontalo dan Sulawesi Barat . Data ini dapat menjadi masukkan bagi pemerintah untuk memberikan kebijakan kepada provinsi tentang status kepemilikan rumah kontrak/sewa menjadi milik sendiri dengan mempertimbangkan segala aspek yang ada

Full Text:

PDF

References


J. O. Ong, “Implementasi Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing President University,” Jurnal Ilmiah Teknik Industri, vol. 12, no. 1, pp. 10 - 20, 2013.

Y. Ardilla, H. Tjandrasa dan I. Arieshanti,

“DeteksiPenyakitEpilepsidengan Menggunakan Entropi Permutasi, K-Means Clustering, dan Multilayer Perceptron,” Jurnal Teknik POMITS , vol. 3, no. 1, pp. A70 - A74, 2014.

N. Atthina dan L. Iswari, “Klasterisasi Data Kesehatan Penduduk untuk Menentukan Rentang Derajat kesehatan Daerah denganMetode K-Means,” Seminar Nasional Aplikasi Teknologi Informasi (SNATI), Vol. %1 dari %2ISSN 1907 - 5022, pp. B52 - B59, 2014.

Anindya Khrisna Wardhani, “Implementasi Algoritma K-Means Untuk Pengelompokkan Penyakit Pasien Pada Puskesmas Kajen Pekalongan”, Jurnal Transformatika, Volume 14, Nomor 1, Juli 2016, Pp 30-37

S. Agustina, D. Yhudo, H. Santoso, N. Marnasusanto, A. Tirtana dan F. Khusnu, “Clustering Kualitas Beras Berdasarkan Ciri Fisik Menggunakan Metode K-Means,” Universitas Brawijaya Malang, Malang, 2012.

Soni, N., & Ganatra, A., 2012, Categorization of several Clustering algorithms from different perspective: a review, International Journal of Advanced Research in Computer Science and Software Engineering, 2(8), 63-68.




DOI: https://doi.org/10.24114/cess.v2i2.6347

Article Metrics

Abstract view : 1525 times
PDF - 1824 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

CESS (Journal of Computer Engineering, System and Science)

Creative Commons License
CESS (Journal of Computer Engineering, System and Science) is licensed under a Creative Commons Attribution 4.0 International License