METODE HIERARCHICAL K-MEANS UNTUK PENGELOMPOKAN DESA TERTINGGAL DIPROVINSI SUMATERA UTARA SKRIPSI NANIEK BJ MATANARI 101402019

  METODE HIERARCHICAL K-MEANS UNTUK PENGELOMPOKAN DESA TERTINGGAL DIPROVINSI SUMATERA UTARA SKRIPSI NANIEK BJ MATANARI

  101402019 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN

  2015 METODE HIERARCHICAL K-MEANS UNTUK PENGELOMPOKAN DESA TERTINGGAL DIPROVINSI SUMATERA UTARA SKRIPSI

  Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi

  NANIEK BJ MATANARI 101402019

  PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2015

  

PERSETUJUAN

  Judul : METODE HIERARCHICAL K-MEANS UNTUK PENGELOMPOKAN DESA TERTINGGAL DI PROVINSI SUMATERA UTARA

  Kategori : SKRIPSI Nama : NANIEK BJ MATANARI NomorIndukMahasiswa : 101402019 Program Studi : S1 TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI

  INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Dedy Arisandi, S.T., M.Kom Dr. Syahril Efendi, S.Si.M.IT NIP19790831200912 1 002 NIP 19671110 199602 1 001 Diketahui/Disetujui oleh Program Studi S1 TeknologiInformasi Ketua, Muhammad Anggia Muchtar NIP 19800110 200801 1 010

  

PERNYATAAN

  METODE HIERARCHICAL K-MEANSUNTUK PENGELOMPOKAN DESA TERTINGGAL DIPROVINSI SUMATERA UTARA SKRIPSI

  Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

  Medan, 23 Mei 2015 Naniek BJ Matanari 101402019

UCAPAN TERIMA KASIH

  Puji dan syukur penulis sampaikan kehadirat Tuhan Yang Maha Esa atas berkat dan rahmat yang telah diberikan sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi Universitas Sumatera Utara.

  Penulis mengucapkan banyak terimakasih kepada Bapak Dr. Syahril Efendi, S.Si., M.IT selaku dosen pembimbing pertama dan Bapak Dedy Arisandi, S.T., M.Kom selaku dosen pembimbing kedua yang telah membimbing, memberi kritik dan saran kepada penulis selama proses penelitian serta penulisan skripsi. Tanpa inspirasi serta motivasi dari kedua dosen pembimbing, tentunya penulis tidak akan mampu menyelesaikan skripsi ini. Penulis juga mengucapkan terimakasih kepada Ibu Sarah Purnamawati, ST., M.Sc. selaku dosen pembanding pertama dan Bapak Seniman, S.Kom., M.Kom. sebagai dosen pembanding kedua yang telah membantu memberikan kritik dan saran yang membantu penulis dalam pengerjaan skripsi ini. Ucapan terimakasih juga penulis tujukan pada semua dosen, pegawai serta staff pada program studi S1 Teknologi Informasi yang telah membantu dan membimbing penulis selama proses perkuliahan.

  Penulis juga berterimakasih terutama kepada kedua orang tua penulis, Bapak Asi Matanari serta Ibu Dameria Siringoringo yang telah membesarkan penulis dengan sabar dan penuh kasih sayang. Penulis juga berterimakasih kepada adik-adik penulis Try Loren Matanari, Pascal S.H Matanaridan Daniel S Matanari serta seluruh anggota keluarga penulis yang namanya tidak dapat disebutkan satu per satu.

  Terimakasih juga penulis ucapkan kepada senior-senior serta junior-junior Terknologi Informasi di Universitas Sumatera Utara. Secara khusus, penulis juga mengucapkan terimakasih juga kepada sahabat penulis Siti Moriza Tania, Imerlyn A. Silitonga S.K.M., Ossy Memorial S.Sos., Maria Elisabeth, Laura Chandra, Febrina Grace Ivone M, teman- teman Scarlet serta seluruh teman-teman angkatan 2010 Teknologi Informasi yang telah membantu dan bersama-sama dengan penulis melewati seluruh proses perkuliahan di Universitas Sumatera Utara ini.

  

ABSTRAK

  Salah satu masalah utama saat ini baik di negara-negara miskin, berkembang, maupun di negara-negara maju adalah kemiskinan. Kemiskinan merupakan awal dari timbulnya masalah-masalah social lainnya yang terkait erat dengan kualitas pendidikan, kriminalitas, kelaparan, dan sebagainya yang secara tidak langsung akan mengganggu ketahanan atau stabilitas negara. Beragam kebijakan pemerintah terkait dengan kemiskinan tentunya akan efektif jika kebijakan tepat mengarah pada faktor-faktor yang mempengaruhi kemiskinan itu sendiri. Sehingga akan dapat dirumuskan alternative kebijakan pengentasan kemiskinan yang lebih intensif dan tepat sasaran. Oleh sebab itu dilakukan pengelompokan desa dengan menggunakan algoritma hierarchical clustering dan k-means yang mampu mengolah data dan membangun model secara efisien dengan jumlah data yang besar. Variabel input untuk pengelompokkan desa tertinggal meliputi jarak kantor kepala desa terhadap kantor bupati, rasio jumlah sarana pendidikan per 100 penduduk, rasio jumlah sarana kesehatan per 100 penduduk, rasio jumlah tenaga kesehatan per 100 penduduk, jumlah minimarket, persentase keluarga pertanian, persentase keluarga pengguna listrik, persentase keluarga yang tinggal dibantaran sungai, dan rasio penderita gizi buruk per 1000 penduduk. Dari sistem yang dibangun diperlukan waktu ± 2 menit untuk proses iterasi centroid dan jarak clusternya untuk

  

clustering 5797 data desa. Yang mana hasil yang diperoleh dengan penggunaan 5 cluster

  adalah kelompok desa paling banyak berada di cluster 3 dengan banyak desa 4443 desa, kemudian diikuti oleh cluster 1 sebanyak 1264 desa, cluster 4 sebanyak 62 desa, kemudian

  cluster 2 dan 5 sebanyak 14 desa.

  Kata Kunci — clustering, algoritma k-means, hierarhical, pengelompokan, desa tertinggal, data mining.

HIERARCHICAL K-MEANS METHODTO CLASSIFYTHE UNDERDEVELOPED

  

VILLAGESINTHE PROVINCEOF NORTH SUMATERA

ABSTRACT

One of the main problem in poor, developing and even developed countries nowadays is

poverty. Poverty is the root to all other social problems related to education quality, crimes,

famine, etc, which will indirectly affect the national resilience or stability. Various

government policies related to the poverty will surely become more effective if those policies

are aiming directly at the cause of the poverty itself, so that government could find a more

intensive and 'right on target' alternative to alleviate poverty. Therefore, groupings were

done using Hierarchical Clustering and K-Means algorithm which are able to process data

and construct model efficiently even with a large amount of data. Input variable for

underdeveloped village grouping includes the distance between village chief's office and

regent's office, ratio of educational facilities per 100 residents, ratio of health facilities per

100 residents, ratio of health professionals per 100 residents, number of minimarket built,

farmer household percentage, power user household percentage, percentage of household

which live on riverbanks, and ratio of malnutrition per 1000 residents. Built system needs

approximately 2 minutes for centroid iteration process and the cluster distance for 5797

village data clustering. Result gained using 5 clusters is most village were in the cluster 3

with 4443 villages, followed by cluster 1 with 1264 villages, cluster 4 with 62 villages, then

cluster 2 and 5 both with 14 villages.

Keywords - clustering, algorithm, k-means, hierarchical, grouping, underdeveloped village,

data mining.

  

DAFTAR ISI

Hal.

  

  

  

  

  3.1 Data yang Digunakan

  12

  2.3.1.Ukuran Kedekatan (Proximity)

  13

  2.4 Hierarhical Clustering

  15

  2.5Algoritma K-Means

  17

  2.6 Penelitian Terdahulu

  18

  

  21

  2.2.2.Pengelompokkan Data Mining

  3.2Pemrosesan Data

  22

  3.3 Uji Coba Algoritma Hierachical dan K-Means

  22

  3.4 Analisis Sistem

  54

  

  4.1 Implementasi Sistem

  57

  4.1.1. Spesifikasi Perangkat Keras dan Lunak yang Digunakan

  57

  11

  9

  

  1.4 Ruang Lingkup Penelitian

  

  

  

  

  

  

  1.2 Rumusan Masalah

  3

  1.3 Tujuan Penelitian

  4

  4

  2.2.1. Tahapan Data Mining

  1.5 Manfaat Penelitian

  4

  

  

  

  

  

  2.1 Daerah Tertinggal

  7

  2.2 Penambangan Data (Data Mining)

  8

2.3 Clustering

  4.1.2. Implementasi Perancangan Antarmuka

  57

  4.2 Pengujian Sistem

  71

  4.2.1. Rencana Pengujian Sistem

  71

  4.2.2. Kasus dan Hasil Pengujian Sistem

  72

  

  

  

  5.2 Saran

  76 Daftar Pustaka

  77

  

DAFTAR TABEL

Hal.

Tabel 2.1. Penelitian Terdahulu

  19 Tabel 3.1. Pemberian Nama Cluster Pada Masing - Masing Data

  25 Tabel 3.2. Matrik Perhitungan Jarak Cluster

  31 Tabel 3.3. Matrik Perhitungan Jarak Cluster L(C ) = 0 dan m = 0

  32 Tabel 3.4. Matrik Perhitungan Jarak Cluster L(C /C

  1 ) =0.50 dan m = 1

  32 Tabel 3.5. Matrik Perhitungan Jarak Cluster L(C 3/ C

  4 ) = 1.30 dan m = 2

  32 Tabel 3.6. Matrik Perhitungan Jarak Cluster L(C 2/ C 3/ C

  4 ) = 2.07

  dan m = 3

  33 Tabel 3.7 Matrik Perhitungan Jarak Cluster L(C C C C C ) = 0.74

  0/ 1/ 2/ 3/

  4

  dan m = 4

  33 Tabel 3.8 Matrik Perhitungan Jarak Cluster L(C 0/ C 1/ C 2/ C 3/ C 4/ C 5796 ) = 2.21 dan m = 5

  33 Tabel 3.9 Anggota Cluster Baru yang Dibentuk

  35 Hasil Centroid Awal Masing

  37 Tabel 3.10 – Masing Cluster Hasil Penghitungan Jarak Cluster

Tabel 3.11 Dengan Centroidnya

  40 Tabel 3.12 Anggota Data Awal Masing-Masing Cluster

  40 Tabel 3.13 Anggota Cluster Baru yang Dibentuk

  41

Tabel 3.14 Hasil Centroid Baru Masing

  43

• – Masing Cluster

Tabel 3.15 Hasil Penghitungan Jarak Cluster Dengan Centroidnya Pada

  Pengulangan I

  46 Tabel 3.16 Anggota Data Baru Masing-Masing Cluster Pada Pengulangan I

  47 Tabel 3.17 Anggota Cluster baru yang dibentuk

  47 Tabel 3.18 Hasil Centroid Baru Masing

• – Masing Cluster SetelahPengulangan II 49

Tabel 3.19 Hasil Penghitungan Jarak Cluster Dengan Centroidnya Pada

  Pengulangan II

  52 Tabel 3.20 Anggota Data Baru Masing-Masing Cluster Pada Pengulangan II

  53 Tabel 3.21 Hasil Akhir Proses Clustering

  53 Tabel 4.1. Perhitungan Total Jarak Cluster Terhadap Centroidnya

  67 Tabel 4.2. Perhitungan Jarak Rata-Rata Cluster

  67 Tabel 4.3. Perhitungan Jarak Rata-Rata Cluster Terhadap Jumlah Rata-Rata

  68 Tabel 4.4. Total JarakCluster Terhadap Semua Parameter

  68 Tabel 4.5. Rencana Pengujian

  71 Tabel 4.6. Hasil Pengujian

  72

  

DAFTAR GAMBAR

Hal.

  Gambar 2.1.BidangIlmu Data Mining (Pramudiono, 2006)

  9 Gambar 2.2.Tahapan Data Mining (Fayyad, 1996)

  11 Gambar 2.3. Dendogram Penggromboloan Berhierarki Dengan Prosedur

  Agglomerative Dan Divisive (Izenman, 2008)

  15 Gambar 2.4. Ilustrasi Prosedur Linkage dari Dua Cluster (Izenman, 2008)

  17 Gambar 3.1. Print Screen Data Podes Sumatera Utara Tahun 2011

  22 Gambar 3.2. Flowchart Algoritma Hierarchical Clustering dan K-Means

  24 Gambar 3.3. Dendrogram Jarak Cluster

  33 Gambar 3.4. Flowchart Hierarchical Clustering K-Means

  54 Gambar 3.5. Flowchart Sistem

  56 Gambar 4.1. Halaman Home

  58 Gambar 4.2. Halaman Proses

  58 Gambar 4.3. Halaman Proses Clustering

  59 Gambar 4.4. Halaman Hasil Clustering

  60 Gambar 4.5. Halaman Cek Cluster

  63 Gambar 4.6. Halaman Proses Cek Cluster

  64 Gambar 4.7. Halaman HasilCek Cluster

  65 Gambar 4.8. Halaman Proses Gagal

  66 Gambar 4.9. Perbandingan Cluster Maju Dengan Rata-Rata Cluster

  69

Gambar 4.10. Perbandingan Cluster Menuju Maju Dengan Rata-Rata Cluster

  69 Gambar 4.11. Perbandingan Cluster Sedang Dengan Rata-Rata Cluster

  70 Gambar 4.12. Perbandingan Cluster Menuju Sedang Dengan Rata-Rata Cluster

  70 Gambar 4.13. Perbandingan Cluster Tertinggal Dengan Rata-Rata Cluster

  70