ANALISIS PERBANDINGAN METODE K-MEANS DAN FUZZY C-MEANS UNTUK CLUSTERING KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH BERDASARKAN INDIKATOR KEMISKINAN

Syahputra, Akhmal Angga (2025) ANALISIS PERBANDINGAN METODE K-MEANS DAN FUZZY C-MEANS UNTUK CLUSTERING KABUPATEN DAN KOTA DI PROVINSI JAWA TENGAH BERDASARKAN INDIKATOR KEMISKINAN. Other thesis, Universitas Amikom Purwokerto.

[thumbnail of COVER.pdf] Text
COVER.pdf

Download (309kB)
[thumbnail of DAFTAR ISI.pdf] Text
DAFTAR ISI.pdf

Download (443kB)
[thumbnail of ABSTRAK.pdf] Text
ABSTRAK.pdf

Download (412kB)
[thumbnail of BAB I.pdf] Image
BAB I.pdf
Restricted to Registered users only

Download (499kB)
[thumbnail of BAB II.pdf] Image
BAB II.pdf
Restricted to Registered users only

Download (731kB)
[thumbnail of BAB III.pdf] Image
BAB III.pdf
Restricted to Registered users only

Download (564kB)
[thumbnail of BAB IV.pdf] Image
BAB IV.pdf
Restricted to Registered users only

Download (2MB)
[thumbnail of BAB V.pdf] Image
BAB V.pdf
Restricted to Registered users only

Download (409kB)
[thumbnail of DAFTAR PUSTAKA.pdf] Image
DAFTAR PUSTAKA.pdf
Restricted to Registered users only

Download (530kB)
[thumbnail of LAMPIRAN.pdf] Text
LAMPIRAN.pdf
Restricted to Repository staff only

Download (1MB)

Abstract

Clustering merupakan salah satu teknik dalam data mining yang digunakan untuk mengelompokkan data berdasarkan kesamaan karakteristik. Penelitian ini membandingkan metode K-Means dan Fuzzy C-Means dalam pengelompokan kabupaten/kota di Provinsi Jawa Tengah berdasarkan data yang diperoleh dari Badan Pusat Statistik (BPS) Jawa Tengah tahun 2023. Analisis dilakukan melalui beberapa tahapan, termasuk normalisasi data, seleksi fitur, serta penentuan jumlah cluster optimal menggunakan Metode Elbow, yang menghasilkan jumlah cluster optimal sebanyak 3. Evaluasi hasil clustering dilakukan menggunakan Silhouette Coefficient dan Davies-Bouldin Index (DBI) untuk menilai kualitas hasil pengelompokan. Hasil penelitian menunjukkan bahwa K-Means menghasilkan Silhouette Coefficient sebesar 0,620 dan DBI sebesar 0,461, sedangkan Fuzzy C-Means menghasilkan Silhouette Coefficient sebesar 0,619 dan DBI sebesar 0,461. Meskipun hasil keduanya hampir serupa, K-Means menunjukkan sedikit keunggulan dalam konsistensi hasil pengelompokan dan efisiensi komputasi. Selain itu, proses seleksi fitur dan normalisasi data juga tidak berpengaruh meningkatkan kualitas clustering yang dihasilkan. Kesimpulan dari penelitian ini menunjukkan bahwa baik K-Means maupun Fuzzy C-Means dapat digunakan untuk clustering wilayah berdasarkan karakteristik yang dianalisis, dengan K-Means lebih direkomendasikan untuk penerapan yang membutuhkan efisiensi tinggi. Hasil penelitian ini diharapkan dapat menjadi referensi bagi analisis clustering berbasis data di berbagai bidang.
Item Type: Thesis (Other)
Additional Information: Dosen Pembimbing: Chyntia Raras Ajeng Widiawati, S.Kom., M.Eng., dan Deuis Nur Astrida, M.Kom.
Uncontrolled Keywords: Kata kunci: Clustering, K-Means, Fuzzy C-Means, Data Mining, Jawa Tengah
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Ilmu Komputer > Sistem Informasi
Depositing User: UPT Perpustakaan Pusat Universitas Amikom Purwokerto
Date Deposited: 21 Mar 2025 02:11
Last Modified: 21 Mar 2025 02:11
URI: https://eprints.amikompurwokerto.ac.id/id/eprint/2591

Actions (login required)

View Item
View Item