Optimasi Jumlah Cluster Pada Algoritma K-Means Dalam Pengelompokan Buta Huruf Penduduk Berdasarkan Provinsi Di Indonesia
Abstract
Buta huruf adalah seseorang yang tidak dapat membaca dan tidak dapat menulis untuk modal berkomunikasi. Buta huruf berhubungan dengan pendidikan yang menjadi salah satu indikator kemajuan sebuah bangsa. Pendidikan merupakan hal yang sangat penting dalam suatu bangsa. Kualitas pendidikan masyarakat dapat dijadikan tolak ukur kemajuan suatu bangsa karena melalui pendidikan yang tinggi diharapkan tercipta Sumber Daya Manusia (SDM) yang berkualitas. Dalam kurun waktu beberapa tahun, nampak bahwa usaha pemerintah daerah untuk menurunkan angka buta huruf tidak selalu berhasil di semua daerah, salah satu penyebab kelonjakan buta huruf di Indonesia yaitu kemiskinan, putus sekola dasar, drop out program PLS, kondisi social, penyebab struktural. Daya saing Sumber Daya Manusia (SDM) di Indonesia masih kalah jika dibandingkan dengan negara lain. Berdasarkan permasalahan diatas salah satu problem solving (pemecahan masalah) yang digunakan dalam penelitian ini yaitu datamining clustering K-Means, peneliti akan menggunakan cluster 2 dan cluster 3 yang nantinya kedua cluster tersebut akan dibandingkan dan ditentukan mana cluster terbaik diantara kedua cluster tersebut.
Full Text:
Diterima: Revisi MayorReferences
Ardhianto, A., Relawanto, B., & Wibowo, A. (n.d.). Algoritme K-Means dalam Pengelompokan Kantor Cabang untuk Optimalisasi Manajemen Perbankan. 15(2), 71–76.
Batubara, D. N., & Windarto, A. P. (2019). ANALISA KLASIFIKASI DATA MINING PADA TINGKAT KEPUASAN PENGUNJUNG. 3, 588–592. https://doi.org/10.30865/komik.v3i1.1664
Defiyanti, S., & Jajuli, M. (2017). Optimalisasi K - Medoid Dalam Pengklasteran Mahasiswa Pelamar Beasiswa Dengan Cubic Clustering Criterion. 3(1), 211–218.
Febianto, N. I., & Palasara, N. D. (2019). Analisis Clustering K-Means Pada Data Informasi Kemiskinan Di Jawa Barat Tahun 2018. 8(September), 130–140.
Hendini, A. (2016). PEMODELAN UML SISTEM INFORMASI MONITORING PENJUALAN DAN STOK BARANG (STUDI KASUS: DISTRO ZHEZHA PONTIANAK). IV(2), 107–116.
I, B. R. C. T., Gafar, A. A., Fajriani, N., Ramdani, U., Uyun, F. R., P, Y. P., & Ransi, N. (2017). Implemetasi k-means clustering pada rapidminer untuk analisis daerah rawan kecelakaan. (April), 58–62.
Massie, O. I., & Padilah, T. N. (2021). Klasterisasi Angka Usia Muda Melek TIK Berdasarkan Algoritma K-Means Menurut jumlah Provinsi Indonesia. 5(September), 759–767.
Mubarak, A. (2019). RANCANG BANGUN APLIKASI WEB SEKOLAH MENGGUNAKAN UML ( UNIFIED MODELING LANGUAGE ) DAN BAHASA PEMROGRAMAN PHP ( PHP HYPERTEXT PREPROCESSOR ) BERORIENTASI OBJEK Abdul Mubarak. 2(1), 19–25.
Nikmatun, I. A. (2019). IMPLEMENTASI DATA MINING UNTUK KLASIFIKASI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR. 10(2), 421–432.
Ningsih, S. R., Damanik, I. S., Windarto, A. P., & Satria, H. (2019). Analisis K-Medoids Dalam Pengelompokkan Penduduk Buta Huruf Menurut Provinsi. (September), 721–730.
Nurmala, Y. (2019). PENGARUH ANGKA MELEK HURUF, ANGKA HARAPAN HIDUP DAN JUMLAH PENDUDUK TERHADAP TINGKAT KEMISKINAN DI INDONESIA PADA TAHUN 2018-2019.
Quraisy, H., & Babo, R. (2016). Pemberdayaan Masyarakat Desa Yang Buta Huruf. III(2), 213–222.
Ridlo, I. A. (2017). Panduan pembuatan flowchart.
Talakua, M. W., Leleury, Z. A., & Talluta, A. W. (2017). ANALISIS CLUSTER DENGAN MENGGUNAKAN METODE PROVINSI MALUKU BERDASARKAN INDIKATOR INDEKS PEMBANGUNAN MANUSIA TAHUN 2014 CLUSTER ANALYSIS BY USING K-MEANS METHOD FOR GROUPING OF DISTRICT / CITY IN MALUKU PROVINCE INDUSTRIAL BASED ON INDICATORS OF MALUKU DEV. 11, 119–128.
Zulhamsyah, A. (2019). Penerapan Backpropagation Dalam Memprediksi Produksi Kelapa Sawit Unit Kebun Marjandi. KOMIK (Konferensi Nasional Teknologi Informasi Dan Komputer), 3(1), 779–787. https://doi.org/10.30865/komik.v3i1.1693
Refbacks
- There are currently no refbacks.