Penerapan K-Means dan Rank Order Centroid pada Proporsi Individu dengan Keterampilan Teknologi Informasi dan Komputer

Diana Nurfitriana; Apriade Voutama

doi:10.54914/jtt.v9i2.608

Penulis

Diana Nurfitriana Universitas Singaperbangsa Karawang
Apriade Voutama Universitas Singaperbangsa Karawang

DOI:

https://doi.org/10.54914/jtt.v9i2.608

Kata Kunci:

data mining, Davies-Bouldin Index, K-Means clustering, Rank Order Centroid, teknologi informasi dan komputer

Abstrak

Perkembangan teknologi yang berlangsung begitu cepat mengakibatkan perubahan yang terus terjadi dan sumber daya manusia yang mumpuni dibutuhkan guna mendukung zaman yang kian berkembang. Penelitian ini bertujuan untuk mengelompokkan individu keterampilan teknologi informasi dan komputer di Indonesia berdasarkan wilayah. Penelitian ini dilakukan dengan menggunakan K-Means clustering dan metode Rank Order Centroid, serta metode evaluasi clustering Davies-Bouldin Index untuk menilai akurasi. K-means clustering merupakan algoritma yang sederhana dan tidak membutuhkan target kelas. Terdapat kekurangan pada proses K-Means yaitu pada tahap penentuan centroid awal, maka dari itu digunakan metode ROC. Berdasarkan data yang diambil dari situs Badan Pusat Statistik Nasional tentang data proporsi individu usia 15-59 tahun dengan keterampilan TIK menurut provinsi selama rentang tahun 2017-2021 menghasilkan 3 cluster di antaranya adalah cluster tingkat tinggi terdapat 8 provinsi, cluster tingkat sedang terdapat 22 provinsi dan cluster tingkat rendah terdapat 4 provinsi dan didapatkan nilai evaluasi DBI sebesar 0,163625 yang mendekati 0, berarti kualitas akurasi dari hasil clustering baik. Berdasarkan hasil clustering dengan akurasi yang baik, penggunaan K-Means dapat dikombinasikan dengan ROC dan cukup efektif. Dari hasil penelitian ini dapat dimanfaatkan oleh pemerintah untuk meningkatkan kualitas sumber daya manusia di wilayah dengan tingkat keterampilan teknologi informasi dan komputer yang rendah. Saran untuk penelitian selanjutnya, menggunakan algoritma clustering lain dan ROC sebagai perbandingan.

Unduhan

Data unduhan belum tersedia.

Referensi

D. Wilandini and Purwantoro, “Penerapan Algoritma Naive Bayes dalam Mengklasifikasikan Media Sosial Untuk Mengamati Trend Kuliner,” J. Teknol. Terpadu, vol. 8, no. 1, pp. 31–39, 2022, doi: https://doi.org/10.54914/jtt.v8i1.535.

A. Voutama, U. Enri, I. Maulana, and E. Novalia, “Sosialisasi Literasi Digital Bagi Remaja dan Calistung Untuk Anak-Anak di Desa Telukbuyung Karawang,” J. Pemberdaya. Komunitas MH Thamrin, vol. 4, no. 1, pp. 34–41, 2022, doi: 10.37012/jpkmht.v4i1.870.

R. Muntaqo, “Teknologi Informasi dan Komunikasi Dalam Perkembangan Budaya Masyarakat,” J. Penelit. dan Pengabdi. Kpd. Masy. UNSIQ, vol. 4, no. 1, pp. 12–20, 2017, doi: https://doi.org/10.32699/ppkm.v4i1.401.

A. Purwanto, A. Primajaya, and A. Voutama, “Penerapan Algoritma C4.5 Dalam Prediksi Potensi Tingkat Kasus Pneumonia Di Kabupaten Karawang,” J. Sist. dan Teknol. Inf., vol. 8, no. 4, p. 390, 2020, doi: 10.26418/justin.v8i4.41959.

A. Yoga Pratama, Y. Umaidah, and A. Voutama, “Analisis Sentimen Media Sosial Twitter Dengan Algoritma K-Nearest Neighbor Dan Seleksi Fitur Chi-Square (Kasus Omnibus Law Cipta Kerja),” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 897–910, 2021, doi: http://dx.doi.org/10.30645/j-sakti.v5i2.386.

F. Yunita, “Penerapan Data Mining Menggunkan Algoritma K-Means Clustring Pada Penerimaan Mahasiswa Baru,” Sistemasi, vol. 7, no. 3, p. 238, 2018, doi: 10.32520/stmsi.v7i3.388.

P. Sari, “Analisis Kinerja Algoritma K-Means Dengan Penentuan Centroid Menggunakan Metode Rank Order Centroid (Roc),” Universitas Sumatera Utara, 2020.

H. Irwandi, O. S. Sitompul, and S. Sutarman, “K-Means Performance Optimization Using Rank Order Centroid (ROC) And Braycurtis Distance,” SinkrOn, 2022, doi: 10.33395/sinkron.v7i2.11371.

M. Herviany, S. P. Delima, T. Nurhidayah, and Kasini, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Rawan Tanah Longsor di Provinsi Jawa Barat,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 34–40, 2021.

D. A. I. C. Dewi and D. A. K. Pramita, “Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali,” Matrix J. Manaj. Teknol. dan Inform., vol. 9, no. 3, pp. 102–109, 2019, doi: 10.31940/matrix.v9i3.1662.

A. Chusyairi and P. Ramadar Noor Saputra, “Pengelompokan Data Puskesmas Banyuwangi Dalam Pemberian Imunisasi Menggunakan Metode K-Means Clustering,” Telematika, vol. 12, no. 2, pp. 139–148, 2019, doi: 10.35671/telematika.v12i2.848.

V. Ramadhan and A. Voutama, “Clustering Menggunakan Algoritma K-Means Pada Penyakit ISPA di Puskesmas Kabupaten Karawang,” J. Pendidik. dan Konseling, vol. 4, pp. 462–473, 2022, doi: https://doi.org/10.31004/jpdk.v4i5.6632.

P. Alam Jusia, F. Muhammad Irfan, and Kurniabudi, “Clustering Data Untuk Rekomendasi Penentuan Jurusan Perguruan Tinggi Menggunakan Metode K-Means,” J. IKRA-ITH Inform., vol. 3, no. 3, p. 75, 2019.

Carudin, “Pemanfaatan DataTransaksi Untuk Dasar Membangun Strategi Berdasarkan Karakteristik Pelanggan Dengan Algoritma K-Means Clustering dan Model RFM,” J. Teknol. Terpadu, vol. 7, no. 1, pp. 15–22, 2021, doi: https://doi.org/10.54914/jtt.v7i1.318.

I. W. Septiani, A. C. Fauzan, and M. M. Huda, “Implementasi Algoritma K-Medoids Dengan Evaluasi Davies-Bouldin- Index Untuk Klasterisasi Harapan Hidup Pasca Operasi Pada Pasien Penderita Kanker Paru-Paru,” J. Sist. Komput. dan Inform., vol. 3, no. 4, pp. 556–566, 2022, doi: 10.30865/json.v3i4.4055.