Penerapan Algoritma K-Means dan Apriori untuk Analisis Klasterisasi Kemiskinan dan Pola Asosiasi Kepemilikan Bidang Tanah serta Karakteristik Wilayah di Indonesia

Salsa Khoirunnisa; Haula Hasna Nabila; Shifa Fauziah; Mahesa Birawa; Roihan Aulia Syakur; Santi Rahayu

doi:10.31004/riggs.v4i2.1364

Authors

Salsa Khoirunnisa Universitas Pamulang
Haula Hasna Nabila Universitas Pamulang
Shifa Fauziah Universitas Pamulang
Mahesa Birawa Universitas Pamulang
Roihan Aulia Syakur Universitas Pamulang
Santi Rahayu Universitas Pamulang

DOI:

https://doi.org/10.31004/riggs.v4i2.1364

Keywords:

K-Means, Apriori, Kemiskinan, Kepemilikan Tanah, Analisis Klasterisasi

Abstract

Kemiskinan dan ketimpangan akses terhadap kepemilikan tanah merupakan isu kompleks yang mempengaruhi kesejahteraan masyarakat di Indonesia. Penelitian ini bertujuan untuk menganalisis klasterisasi kemiskinan dan pola asosiasi kepemilikan tanah menggunakan algoritma K-Means dan Apriori. Data yang digunakan mencakup indikator kemiskinan dan kepemilikan tanah yang diperoleh dari Badan Pusat Statistik (BPS) dan Kementerian ATR/BPN. Hasil analisis menunjukkan tiga kluster kemiskinan dengan karakteristik sosial ekonomi yang berbeda, yaitu kluster miskin ekstrem, miskin sedang, dan relatif sejahtera. Selain itu, analisis asosiasi mengungkapkan pola signifikan antara pendidikan, akses sanitasi, dan status kepemilikan tanah. Temuan ini memberikan wawasan penting bagi pembuat kebijakan untuk merumuskan program intervensi yang lebih efektif dalam pengentasan kemiskinan dan reformasi kepemilikan tanah. Penelitian ini diharapkan dapat berkontribusi pada upaya peningkatan kesejahteraan masyarakat di Indonesia.

Downloads

Download data is not yet available.

References

Bahauddin, A., Fatmawati, A., & Sari, F. P. (2021). Analisis Clustering Provinsi di Indonesia Berdasarkan Tingkat Kemiskinan Menggunakan Algoritma K-Means. Jurnal Manajemen Informatika Dan Sistem Informasi, 4(1), 1–8.

Fadillah, N., & Wicaksono, B. S. (2023). IMPLEMENTASI ALGORITMA APRIORI PADA DATA MINING UNTUK MENENTUKAN STRATEGI PENJUALAN DENGAN MENGGUNAKAN DATA TRANSAKSI. OKTAL: Jurnal Ilmu Komputer dan Sains,2(03), 882-889.

Widodo, M., 2016. Data Mining Penjualan Barang Bengkel Menggunakan Metode Apriori. Jurnal Media Infotama, 11(2), pp. 54-60.

I.H. Witten,E.F. (2016).DataMining: Practical Machine Learning Toolsand Techniques, 1st ed. Todd Green.

Santoso, M.H. (2021). Penerapan Metode Aturan Asosiasi Menggunakan Algoritma Apriori untuk Menemukan Pola Penjualan: Studi Kasus di Indomaret Tanjung Anom. 4-5.

Feby, Dita. “Apa Itu Decision Tree di Machine Learning Model?” https://dqlab.id. Diakses pada 14 Januari 2024.

Kurniawan D. (2020). “Pengenalan Machine Learning dengan Python”. Jakarta : PT Elex Media Komputindo.

Wadhwatanya. (2021). “Splitting Criteria and Algorithms in Decision Tree” wadhwaatanya1234.medium.com. Diakses pada 17 Januari 2024.

Syukri Mustafa, M., Rizky Ramadhan, M., & Thenata, A. P. (2017). Implementasi DataMining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Citec Journal, 4(2), 151–162.

Rifqo, M. H., & Wijaya, A. (2017). Implementasi Algoritma Naive Bayes Dalam Penentuan Pemberian Kredit. Pseudocode, 4(2), 120–128.

Muhamad, H., Prasojo, C. A., Sugianto, N. A., Surtiningsih, L., & Cholissodin, I. (2017). Optimasi Naïve Bayes Classifier Dengan Menggunakan Particle Swarm Optimization Pada Data Iris. Jurnal Teknologi Informasi Dan Ilmu Komputer, 4(3), 180.