KLASTERISASI KELAYAKAN PENERIMA BANTUAN PANGAN NON TUNAI (BPNT) MENGGUNAKAN ALGORITMA K-MEANS (STUDI KASUS : KECAMATAN KOTO BARU KOTA
SUNGAI PENUH)
Total View This Week0
Total View This Week0
Institusion
Universitas Dinamika Bangsa
Author
Ramadhani, Sulistia
Subject
Analisis Sistem Informasi
Datestamp
2024-10-16 03:58:52
Abstract :
Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan untuk mengekstraksi dan mengidentifikasi informasi pengetahuan yang terkait dari berbagai database besar. Pada kecamatan koto baru terdapat jumlah populasi penerima bantuan yang besar memunculkan kendala sulitnya menentukan data penerima bantuan yang benar-benar layak menerima bantuan. Dengan menerapkan teknik data mining dan menggunakan Algoritma K-Means dapat memudahkan proses pengelompokan data penduduk miskin yang berhak agar penerima Bantuan Pangan Non Tunai (BPNT) tepat sasaran dan berguna bagi yang membutuhkan. Pada penelitian ini data yang akan digunakan sebanyak 1523 dengan 10 atribut. Hasil antara perhitungan manual excel dan perhitungan tools WEKA. Jumlah Cluster 1 pada perhitungan manual excel 864 data dengan persentase 58% dan Tools WEKA 621 data dengan persentase 61%. Cluster 2 pada perhitungan manual excel 913 data dengan persentase 42% dan Tools WEKA 572 data dengan persentase 39%. Atribut yang paling berpengaruh yaitu jumlah penghasilan perbulan, karena semakin kecil penghasilan yang diperoleh maka akan semakin besar kemungkinan masuk ke Cluster 1 atau yang layak menerima Bantuan Pangan Non Tunai (BPNT).
Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan untuk mengekstraksi dan mengidentifikasi informasi pengetahuan yang terkait dari berbagai database besar. Pada kecamatan koto baru terdapat jumlah populasi penerima bantuan yang besar memunculkan kendala sulitnya menentukan data penerima bantuan yang benar-benar layak menerima bantuan. Dengan menerapkan teknik data mining dan menggunakan Algoritma K-Means dapat memudahkan proses pengelompokan data penduduk miskin yang berhak agar penerima Bantuan Pangan Non Tunai (BPNT) tepat sasaran dan berguna bagi yang membutuhkan. Pada penelitian ini data yang akan digunakan sebanyak 1523 dengan 10 atribut. Hasil antara perhitungan manual excel dan perhitungan tools WEKA. Jumlah Cluster 1 pada perhitungan manual excel 864 data dengan persentase 58% dan Tools WEKA 621 data dengan persentase 61%. Cluster 2 pada perhitungan manual excel 913 data dengan persentase 42% dan Tools WEKA 572 data dengan persentase 39%. Atribut yang paling berpengaruh yaitu jumlah penghasilan perbulan, karena semakin kecil penghasilan yang diperoleh maka akan semakin besar kemungkinan masuk ke Cluster 1 atau yang layak menerima Bantuan Pangan Non Tunai (BPNT).
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
