Metode Elbow dalam Optimasi Jumlah Cluster pada K-Means Clustering

Nadia Annisa Maori
Evanita Evanita

Abstract


K-Means clustering merupakan salah satu strategi yang digunakan dalam analisis data dan machine learning untuk mengelompokkan data menjadi beberapa kelompok (cluster) berdasarkan kemiripan fitur atau atributnya. Metode ini bertujuan untuk meminimalkan jarak antara data dalam satu kelompok dan memaksimalkan jarak antara kelompok yang berbeda. Metode elbow merupakan sebuah metode yang diterapkan pada k-means clustering untuk menentukan jumlah optimal dari cluster yang akan dibentuk. Metode elbow membantu dalam menentukan jumlah cluster yang tepat untuk data tertentu. Data yang digunakan dalam penelitian ini adalah data penerima PKH di wilayah Kabupaten Jepara tahun 2022. Tujuan penelitian ini adalah untuk mendapatkan jumlah cluster optimal dalam melakukan pengelompokkan penerima PKH, sehingga dapat mengetahui desa yang paling banyak dijumpai pada penerima PKH di Kabupaten Jepara, agar penerima PKH yang mendapatkan lebih optimal dan tepat sasaran. Hasil penelitian setelah dilakukan pengujian dari jumlah k=2 sampai dengan k=6, didapatkan jumlah cluster terbaik menggunakan optimasi metode elbow terdapat pada jumlah cluster sebanyak 3 (k=3) dan didukung dengan nilai Davies Bouldin Index (DBI) sebesar 0.554. Pada cluster_0 terdapat 63 desa, cluster_1 terdapat 127 desa, dan cluster­_2 terdapat 5 desa yang memiliki penerima PKH lebih dari 900 rumah tangga dan lansia menjadi komponen penerima PKH Kabupaten Jepara yang paling dominan. Hasil pengelompokkan ini diharapkan dapat memudahkan dalam menentukan penerima PKH yang tepat sasaran.


Keywords


k-means;clustering;elbow

Teks Lengkap:

PDF

Referensi


[1] B. R. Statistik, “Berita Resmi Statistik,” Bps.Go.Id, 2022, [Online]. Available: https://jakarta.bps.go.id/pressrelease/2019/11/01/375/tingkat-penghunian-kamar--tpk--hotel--berbintang-dki-jakarta-pada-bulan-september-2019-mencapai-58-97-persen.html

[2] Badan Pusat Statistik Daerah Kabupaten Jepara, “Profil Kemiskinan Kabupaten Natuna,” no. 1, pp. 1–8, 2021.

[3] B. Silvia and F. Azmi, “Analisis Faktor-Faktor Yang Mempengaruhi Persepsi SAK EMKM,” J. Anal. Bisnis Ekon., vol. 17, no. 1, pp. 57–73, 2019.

[4] E. Syahrani, A. A. Kusumaningdyah, and D. D. Dewa, “Analisis Faktor-Faktor Yang Mempengaruhi Tingkat Kemiskinan Kabupaten/Kota Di Jawa Tengah,” Geodika J. Kaji. Ilmu dan Pendidik. Geogr., vol. 5, no. 2, pp. 247–258, 2021.

[5] K. U. Albab, “Analisis faktor-faktor yang mempengaruhi tingkat kemiskinan di kabupaten jepara,” Semin. Nas. KeIndonesiaan III, pp. 817–825, 2018.

[6] Zulkifli, Suadi, and Alwi, “Penyalahgunaan Bantuan PKH: Motif dan Dampak (Studi Kasus di Gampong Bluka Teubai Kecamatan Dewantara Kabupaten Aceh Utara),” J. Sosiol. Agama Indones., vol. 2, no. 2, pp. 101–110, 2021.

[7] N. T. Hartanti, “Metode Elbow dan K-Means Guna Mengukur Kesiapan Siswa SMK Dalam Ujian Nasional,” J. Nas. Teknol. dan Sist. Inf., vol. 6, no. 2, pp. 82–89, 2020, doi: 10.25077/teknosi.v6i2.2020.82-89.

[8] Afifi, Wakhid, Nastiti, Dhiya’an Ramadhanty, and Aini, Qurrotul, “Clustering K-Means Pada Data Ekspor (Studi Kasus:PT. Gaikindo),” Jurnal SIMETRIS., vol. 11, no. 1, pp. 45-50, 2020.

[9] G. Gustientiedina, M. H. Adiya, and Y. Desnelita, “Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan,” J. Nas. Teknol. dan Sist. Inf., vol. 5, no. 1, pp. 17–24, 2019, doi: 10.25077/teknosi.v5i1.2019.17-24.

[10] M. M. K-means, S. A. Azis, S. Defit, and Y. Yunus, “Jurnal Informatika Ekonomi Bisnis Klasterisasi Dana Bantuan Pada Program Keluarga Harapan ( PKH ),” vol. 3, pp. 53–59, 2021, doi: 10.37034/infeb.v3i2.66.

[11] D. Jollyta, S. Efendi, M. Zarlis, and H. Mawengkang, “Optimasi Cluster Pada Data Stunting: Teknik Evaluasi Cluster Sum of Square Error dan Davies Bouldin Index,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 918, 2019, doi: 10.30645/senaris.v1i0.100.

[12] A. T. Rahman, Wiranto, and A. Rini, “Coal Trade Data Clustering Using K-Means (Case Study Pt. Global Bangkit Utama),” ITSMART J. Teknol. dan Inf., vol. 6, no. 1, pp. 24– 31, 2017, doi: 10.20961/ITS.V6I1.11296.

[13] Dewi, Dewa Ayu Indah Cahya Dewi, and Pramita, Dewa Ayu Kadek,”Analisis Perbandingan Metode Elbow dan Sillhouette pada Algoritma Clustering K-Medoids dalam Pengelompokkan Produksi Kerajinan Bali”, Jurnal Matrix, vol.9, no.3, pp. 102-109, 2019

[14] Parlaungan, Mustika, Fanisya Alva, Dhika, Harry, “Sistem Rekomendasi Film Menggunakan Metode K-Means Clustering.” Jurnal SIMETRIS, vol. 13, no. 2, pp. 1-17

[15] A. Kroner, M. Senden, K. Driessens, and R. Goebel, “Contextual encoder–decoder network for visual saliency prediction,” Neural Networks, vol. 129, pp. 261–270, 2020, doi: 10.1016/j.neunet.2020.05.004.

[16] U. Khalsum, “Implementasi Sistem Pengelompokkan Data Penerima Beasiswa Menggunakan Metode K-MEANS,” Universitas Islam Negeri Sultan Syarif Kasim Riau, 2014.




DOI: https://doi.org/10.24176/simet.v14i2.9630

Article Metrics

Abstract views : 291| PDF views : 711

Refbacks

  • Saat ini tidak ada refbacks.


free hit counter View My Stats

Indexed by:

Dimensions logo

 

Flag Counter

Creative Commons License
Simetris : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer is licensed under a Creative Commons Attribution 4.0 International License.

Dedicated to: