Clustering Analysis For Grouping Sub-Districts In Bojonegoro District With The K-Means Method With A Variety Of Approaches

Abstract

Population data is an important piece of information that is useful for regional planning and development. Insight into the state of an area is more straightforward to observe if there are grouped sub-districts. In this case, data mining techniques can identify patterns and relationships in population data. The K-Means algorithm is a clustering technique that divides data into groups or clusters based on similar characteristics. This research aims to apply the K-Means method with various approaches to clustering sub-districts in the Bojonegoro district according to population data. The research method used is a quantitative method with an exploratory study in the application of the K-Means method with a variety of approaches, namely the use of the Kernel K-Means method by utilizing the mapping function to map data to a higher dimension before the clustering process. In addition, the Fast K-Means method is used, which reduces the model training time to improve the cluster-centered recalibration problem as the amount of data increases. The data source used in this research is secondary population data in the form of birth, death, migrant, and moving variables obtained from the Satu Data Bojonegoro website developed by the Bojonegoro Regency Government. It is found that the best K-Means approach is the Kernel K-Means method with a number of clusters of 5. The performance of the cluster method is evaluated by measuring the average distance within the cluster. The data coordinate pattern in the Kernel K-means method clustering shows a smooth initial trend when the value of the number of clusters is 5 so that the clusters formed are obtained clearly. The conclusion from this study's results is that the K-Means method's best approach in grouping sub-districts in Bojonegoro district is the Kernel K-Means approach.

Keywords

Fast K-Means, Kernel K-Means, Population Document.

Judul

Analisis Clustering Untuk Pengelompokan Kecamatan Di Kabupaten Bojonegoro Dengan Metode K-Means Dengan Berbagai Pendekatan

Abstrak

Data kependudukan merupakan informasi penting yang berguna untuk perencanaan dan pembangunan daerah. Wawasan tentang keadaan suatu daerah akan lebih mudah diamati jika terdapat kecamatan-kecamatan yang dikelompokkan. Dalam hal ini, teknik data mining dapat mengidentifikasi pola dan hubungan dalam data kependudukan. Algoritma K-Means merupakan salah satu teknik clustering yang membagi data menjadi beberapa kelompok atau cluster berdasarkan kesamaan karakteristik. Penelitian ini bertujuan untuk menerapkan metode K-Means dengan berbagai pendekatan untuk mengelompokkan kecamatan-kecamatan di kabupaten Bojonegoro berdasarkan data kependudukan. Metode penelitian yang digunakan adalah metode kuantitatif dengan studi eksplorasi dalam penerapan metode K-Means dengan berbagai pendekatan, yaitu penggunaan metode Kernel K-Means dengan memanfaatkan fungsi pemetaan untuk memetakan data ke dimensi yang lebih tinggi sebelum dilakukan proses pengklasteran. Selain itu, digunakan metode Fast K-Means yang mengurangi waktu pelatihan model untuk memperbaiki masalah kalibrasi ulang yang berpusat pada klaster seiring dengan bertambahnya jumlah data. Sumber data yang digunakan dalam penelitian ini adalah data sekunder kependudukan berupa variabel kelahiran, kematian, migrasi, dan pindah yang diperoleh dari situs Satu Data Bojonegoro yang dikembangkan oleh Pemerintah Kabupaten Bojonegoro. Hasil penelitian menunjukkan bahwa pendekatan K-Means yang terbaik adalah metode Kernel K-Means dengan jumlah cluster sebanyak 5 buah. Kinerja metode cluster dievaluasi dengan mengukur jarak rata-rata di dalam cluster. Pola koordinat data pada pengelompokan metode Kernel K-means menunjukkan tren awal yang mulus ketika nilai jumlah cluster 5 sehingga cluster yang terbentuk diperoleh dengan jelas. Kesimpulan dari hasil penelitian ini adalah pendekatan metode K-Means yang paling baik dalam mengelompokkan kecamatan di kabupaten Bojonegoro adalah pendekatan Kernel K-Means.

Kata Kunci

Fast K-Means, Kernel K-Means, Dokumen Kependudukan.

Reference

Nurdiansyah, D., Ma’ady, M., Sukmawaty, Y., Utomo, M., and Mutiani, T. (2024). CLUSTERING ANALYSIS FOR GROUPING SUB-DISTRICTS IN BOJONEGORO DISTRICT WITH THE K-MEANS METHOD WITH A VARIETY OF APPROACHES. BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 18(2), 1095-1104.doi.org/10.30598/barekengvol18iss2pp1095-1104

Sumber: Jurnal BAREKENG 2024