Perbandingan Algoritma Agglomerative Hierarchical Clustering (AHC) dan Algoritma K-Means dalam Pengelompokan Data Kemiskinan di Sumatera Utara

Usna, Wilia (2025) Perbandingan Algoritma Agglomerative Hierarchical Clustering (AHC) dan Algoritma K-Means dalam Pengelompokan Data Kemiskinan di Sumatera Utara. Skripsi thesis, UIN Sumatera Utara Medan.

	Text Cover_Wilia_Usna.pdf - Submitted Version Download (1MB)
	Text Bab_1_Wilia_Usna.pdf - Submitted Version Download (60kB)
	Text Bab_2_Wilia_Usna.pdf - Submitted Version Download (110kB)
	Text Bab_3_Wilia_Usna.pdf - Submitted Version Download (71kB)
	Text Bab_4_Wilia_Usna.pdf - Submitted Version Download (108kB)
	Text Bab_5_Wilia_Usna.pdf - Submitted Version Download (41kB)
	Text Daftar_Pustaka_Wilia_Usna.pdf - Submitted Version Download (89kB)

Abstract

Tingkat kemiskinan di provinsi Sumatera Utara pada tahun 2023 menduduki peringkat ke-17 terendah dari 34 provinsi yaitu sebanyak 1.239,71 ribu jiwa atau 8,15 persen. Angka kemiskinan pada tahun 2023 memang mengalami penurunan dari tahun-tahun sebelumnya, namun beberapa daerah di Sumatera Utara masih terdapat kabupaten/kota dengan tingkat kemiskinan yang tinggi sehingga hal ini tidak dapat diabaikan. Untuk mengatasi hal tersebut pemerintah perlu mengambil tindakan dengan menyalurkan berbagai jenis bantuan kepada masyarakat dan membuka lebih banyak lowongan pekerjaan. Dalam mengatasinya, perlu diketahui terlebih dahulu kabupaten/kota dengan tingkat kemiskinan terendah hingga tertinggi. Data mining adalah solusi dalam mengatasinya yaitu dengan memanfaatkan metode clustering. Metode clustering yang digunakan pada penelitian ini ialah algoritma Agglomerative Hierarchical Clustering (AHC) dan algoritma KMeans. Hasil clustering kemudian akan di validasi menggunakan Davies Bouldin Index (DBI) untuk menentukan metode manakah yang menghasilkan cluster terbaik. Pada metode AHC dibentuk 3 cluster dengan hasil cluster 1 terdiri dari 2 kabupaten/kota, cluster 2 terdiri dari 28 kabupaten/kota dan cluster 3 terdiri dari 3 kabupaten/kota. Pada metode k-means diperoleh 3 cluster dengan tingkat kemiskinan terendah yaitu cluster 1 yang terdiri dari 9 kabupaten/kota, tingkat kemiskinan sedang berada pada cluster 2 dengan jumlah kabupaten/kota sebanyak 19 kabupaten/kota, kemudian dengan tingkat kemiskinan tertinggi yaitu berada pada cluster 3 yang terdiri dari 5 kabupaten/kota. Dengan dilakukannya validasi clustering diperoleh bahwa metode terbaik pada penelitian ini ialah menggunakan metode k-means dengan nilai DBI sebesar 0,70.

Jenis Item:	Skripsi (Skripsi)
Uncontrolled Keywords:	Pengelompokkan, Algoritma AHC, Algoritma K-Means, Validasi DBI, Data Kemiskinan
Subjects:	500 Natural sciences and mathematics > 510 Mathematics > 519 Probabilities and applied mathematics
Divisions:	Fakultas Sains dan Teknologi > Matematika > Skripsi
Pengguna yang mendeposit:	Mr Muhammad Aditya
Date Deposited:	12 Aug 2025 05:04
Last Modified:	12 Aug 2025 05:04
URI:	http://repository.uinsu.ac.id/id/eprint/25883

Actions (login required)

View Item