Clustering Peserta Kb Aktif Di Kota Binjai Menggunakan Metode K-Means (Study Kasus BKKBN Kota Binjai)
Rida Gustina Br sitepu1, Budi Serasi Ginting2, Zira Fatmaira3 Sistem Informasi , STMIK Kaputama Binjai
Jl.Veteran, No.4A-9A, Binjai, 20714, Sumatra Utara
Abstrak
Kebutuhan teknologi saat ini sangat diperlukan baik dalam bidang kesehatan, pendidikan dan lain-lain. Teknologi dapat membantu dalam mempercepat pekerjaan yang awal manual menjadi digital, seperti perhitungan, pengelompokan, dan sebagainya. Sekarang ini begitu banyak data yang terdapat dalam sebuah organisasi, sehingga menimbulkan kesulitan dalam hal pengelompokan data. Clustering atau pengelompokan data sangatlah penting dalam suatu perusahaan atau organisasi untuk menyelesaikan masalah data dalam hal perencanaan dan pengambilan keputusan serta dalam pengambilan kebijakan untuk suatu informasi. Penelitian ini bertujuan untuk Untuk mengetahui pelompokkan peserta KB aktif Kota Binjai. Dengan mengelompokan Peserta KB aktif Membantu mengelompokkan pasangan usia subur dan peserta KB yang aktif dan mempermudah proses dalam memperoleh informasi tentang usia subur dan peserta KB aktif. Selanjutnya hasil pemilahan objek dijadikan input dalam pembuatan model clustering menggunakan metode K-Means. Hasil ini menunjukkan bahwa model clustering Peserta Kb aktif dapat digunakan untuk keperluan pengelompokan.
Kata Kunci: Teknologi, Clustering, Peserta Kb Aktif, Metode K-means
ABSTRACT
The need for technology today is indispensable both in the fields of health, education and others. Technology can help speed up work that was originally manual to digital, such as calculations, grouping, and so on. Nowadays there is so much data contained in an organization,
so that it creates difficulties in terms of grouping data. Clustering or grouping data is very important in a company or organization to solve data problems in terms of planning and decision making as well as in policy making for information. This study aims to determine the grouping of active family planning participants in Binjai City. By grouping active family planning participants Help grouping couples of childbearing age and active family planning participants and simplify the process of obtaining information about childbearing age and active family planning participants. Furthermore, the results of object sorting are used as input in making the clustering model using the K-Means method. These results indicate that the active Kb Participant clustering model can be used for clustering purposes.
Keywords: Technology, Clustering, Active Kb Participants, K-means. Method
1. Pendahuluan
Pekembangan teknologi saat ini sangat pesat baik dalam bidang medis atau dunia kesehatan. Kebutuhan teknologi saat ini sangat diperlukan baik dalam bidang kesehatan, pendidikan dan lain-lain.
Teknologi dapat membantu dalam mempercepat pekerjaan yang awal manual menjadi digital, seperti perhitungan, pengelompokan, dan sebagainya. Sekarang ini begitu banyak data yang terdapat dalam sebuah organisasi, sehingga menimbulkan kesulitan dalam hal pengelompokan data.
Namun dengan perkembangan teknologi sekarang ini terdapat berbagai macam solusi untuk mengatasi kesulitan tersebut.
Data jumlah peserta KB yang menggunakan alat kontrasepsi yang aktif pada BKKBN jumlahnya sangat banyak sehingga diperlukan sistem yang dapat dipergunakan dengan efektif dan efisien sehingga dapat dilakukan pengelompokan Peserta KB Aktif, maka dapat diketahui usia-usia peserta yang menggunakan KB
yang aktif pada kecamatan tertenu dan jenis KB yang digunakan, sehingga informasi yang dihasilkan pada BKKBN akan lebih akurat.
Keluarga berencana adalah program yang bertujuan membantu pasangan suami istri untuk menghindari kelahiran yang tidak diinginkan, mendapatkan kelahiran yang diinginkan, mengatur interval diantara kehamilan, mengontrol waktu saat kelahiran dalam hubungan dengan umur suami dan istri, serta menentukan jumlah anak dalam keluarga.
Program Keluarga Berencana (KB) merupakan salah satu program pemerintah yang diselenggarakan untuk membatasi kelahiran guna mengurangi pertumbuhan penduduk dan menurunkan laju penduduk.
Program KB diatur berdasarkan UU No 10 Tahun 1992 dan disempurnakan lagi dengan terbitnya UU No 52 Tahun 2009 yang berisi tentang “Perkembangan Kependudukan Dan Pembangunan Keluarga Berencana”.
Program KB merupakan upaya mengatur kelahiran anak, jarak, dan usia ideal
melahirkan, mengatur kehamilan, melalui promosi, perlindungan dan bantuan sesuai dengan hak reproduksi untuk mewujudkan keluarga yang berkualitas (UU No 52, 2009).
Tujuan dari program KB pada dasarnya yaitu pengaturan kelahiran guna membangun keluarga sejahtera. Dalam mengatur jumlah kelahiran atau menjarangkan kelahiran, wanita atau pasangan ini lebih di prioritaskan untuk menggunakan alat kontrasepsi, tempat pelayanan KB yang sedang atau pernah menggunakan alat kontrasepsi, dan jenis kontrasepsi yang digunakan. Dengan begitu maka jumlah kelahiran dapat dijarangkan atau diatur jumlah kelahirannya.
Berdasarkan dari data peserta KB Kota Binjai pada tahun 2014 -2019 total pada Kota Binjai peserta aktif 21,518. Dan jenis-jenis KB yang di gunakan pada Kota Binjai Yakni (MOW, MOP, KONDOM, IMPLANT, IUD, SUNTIKAN, dan PIL).
1.1 Rumusan Masalah
Dari uraian permasalahan diatas maka permasalahan tersebut dapat dirumuskan sebagai berikut:
1. Bagaiman cara mengetahui pengelompokan Usia peserta aktif perkecamatan dan jenis-jenis KB yang digunakan peserta KB aktif Kota Binjai berdasarkan variabel- variabel dengan menggunakan clustering?
2. Bagaiman merancang suatu sistem pada pengelompokan peserta KB aktif?
3. Bagaimana membangun program web yang dapat digunakan user dalam mengelompokkan peserta KB aktif dengan bahasa pemograman PHP dan Database Mysql.
1.2 Batasan Masalah
Adapun batasan masalah dalam penulisan skripsi ini adalah sebagai berikut:
1. Data yang digunakan adalah data hasil yang tercatat tahun 2014 – 2018 di BKKBN Binjai.
2. Variabel yang digunakan adalah (usia, kecamatan, jenis KB).
3. Metode yang digunakan Metode Clustering dengan algoritma K- Means dan Sistem dibangun dengan menggunakan PHP dan Database yang digunakan adalah MYSQL.
1.3 Tujuan Penelitian
Adapun tujuan penelitian yang ingin dicapai berdasarkan rumusan masalah diatas adalah sebagai berikut:
1. Untuk mengetahui pengelompokan Usia peserta aktif perkecamatan dan jenis-jenis KB yang digunakan peserta KB aktif Kota Binjai.
2. Untuk merancang suatu sistem informasi dengan metode clustering sebagai media yang dapat
menggambarkan data
pengelompokan peserta KB aktif.
3. Untuk membangun program web yang dapat membantu user dalam mengelompokkan peserta KB Aktif dengan program yang ada.
1.4 Manfaat Penelitian
Adapun manfaat penelitian yang dilakukan dapat di ambil suatu manfaat sebagai hasil dari studi tersebut adalah sebagai berikut:
1. Membantu mengelompokkan peserta KB yang aktif dan mempermudah proses dalam memperoleh informasi tentang KB dan peserta KB aktif.
2. Membantu mengetahui peserta yang aktif dalam program KB di Kota Binjai.
3. Membantu user dalam menyelesaika pengelompokan data dengan cepat dengan menggunakan sistem yang ada.
2.MetodologiPenelitian 2.1 Data Mining
Data mining merupakan suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database.
Data mining merupakan gabungan teori dan heuristik, fokus pada seluruh proses penemuan knowledge/pola termasuk data cleaning, learning, dan visualisasi dari hasil.
Fajar Astuti Hermawati (2013 : 3) mengatakan bahwa “Data mining adalah proses yang memperkerjakan satu atau lebih teknik pembelajaran komputer (machine
learning) untuk menganalisis dan mengektraksi pengetahuan (knowledge) secara otomatis.
2.2 Pengertian Clustering
Metode Clustering merupakan salah satu metode analisis data utama untuk membantu mengidentifikasikan pengelompokkan objek data dari dataset.
Clustering merupakan klasifikasi tanpa pengawasan dan merupakan proses partisi sekumpulan objek data dari satu set menjadi beberapa kelas. Hal ini dapat dilakukan dengan menerapkan berbagai persamaan dan langkah-langkah mengenai jarak algoritma.
Fajar Astuti Hermawati (2013 : 123) mengatakan bahwa “Cluster yaitu menemukan kumpulan objek hingga objek- objek dalam satu kelompok sama (atau punya hubungan) dengan yang lain dan berbeda (atau tidak berhubungan) dengan objek-objek dalam kelompok lain”.
Pemilihan metode clustering tergantung pada tipe data dan tujuan clustering itu sendiri. Dalam hal ini cluster berbeda dengan pengelompokan, dimana pengelompokan yaitu suatu proses yang hanya mengelompokkan atau menggabungkan suatu item-item tertentu sesuai dengan kelompok masing-masing.
Sedangkan cluster sendiri merupakan sekelompok titik(objek) dimana semua titik pada kelompok itu lebih dekat dengan pusat atau “center” dari kelompok tersebut dari pada pusat pada kelompok lainnya.
Melakukan suatu perhitungan diperlukan suatu titik dimana titik tersebut merupakan nilai rata-rata dari semua titik pada cluster tersebut atau dapat dikatakan titik pusat tersebut merupakan titik yang paling mewaliki cluster yang lain atau sering disebut Centroid.
Berikut ini adalah contoh Clustering:
Gambar II.2 Contoh Clustering 2.3 Algoritma K-Means
Algoritma K-Means merupakan algoritma yang relative sederhana untuk mengklasifikasi atau mengelompokkan sejumlah besar objek dengan atribut tertentu kedalam kelompok (cluster) sebanyak k pada algoritma K-Means, jumlah cluster k sudah ditentukan lebih dahulu.
Eko Prasetyo (2014 : 189) mengatakan bahwa “Algoritma K-Means merupakan algoritma pengelompokkan iterative yang melakukan partisi set data ke dalam sejumlah k cluster yang sudah ditetapkan di awal. Algoritma K-Means sederhana untuk diimplementasikan dan dijalankan, relatif cepat, mudah beradaptasi, umum penggunaaanya dalam praktek.
Secara historis, K-Means menjadi salah satu algoritma yang paling penting dalam bidang data mining”.
Adapun tahapan algoritma K-Means dalam pembentukan cluster sebagai berikut:
1. Misalkan diberikan matrik X = {Xij} data berukuran n x p dengan i
= 1,2,…nj = 1,2,….p dan asumsikan cluster awal.
2. Tentukan centroid
3. Hitung jarak setiap objek ke setiap centroid dengan mengunakan jarak Euclidean atau dapat ditulis sebagai berikut:
Ј (XiCi)= √(𝑋𝑖 − 𝐶𝑖)²
4. Setiap objek disusun ke centroid terdekat dan kumpulan objek tersebut akan membentuk cluster.
5. Tentukan centroid baru dari cluster yang terbentuk, di objek yang mana centroid baru itu diperoleh dari rata- rata setiap yang terletak pada cluster yang sama.
6. Ulangi langkah ke 3, juka centroid awal dan baru tidak sama.
2.7 Pengertian Keluarga Berencana KB Keluarga berencana adalah program yang bertujuan membantu pasangan suami istri untuk menghindari kelahiran yang tidak diinginkan, mendapatkan kelahiran yang diinginkan, mengatur interval diantara kehamilan, mengontrol watu saat kelahiran dalam hubungan dengan umur suami dan istri, serta menentukan jumlah anak dalam keluarga.
Keluarga Berencana merupakan usaha untuk mengukur jumlah anak dan jarak kelahiran anak yang diinginkan. Maka dari itu, Pemerintah mencanangkan program atau cara untuk mencegah dan menunda kehamilan.
Menurut UU RI Nomor 52 Tahun 2009, keluarga berencana adalah upaya mengatur kelahiran anak, jarak dan usia ideal melahirkan, mengatur kehamilan, melalui promosi, perlindungan, dan bantuan sesuai dengan hak reproduksi untuk mewujudkan keluarga yang berkualitas.
3. Analisa Dan Perancangan Sistem 3.1 Analisa Sistem
Analisa sistem adalah suatu proses mempelajari aktifitas sistem untuk memahami gambaran menyeluruh tentang sistem yang sedang berjalan. Tahap ini merupakan tahap yang sangat penting karena bila terjadi kesalahan pada tahap ini akan berakibat pada tahapan selanjutnya atau menentukan kebutuhan-kebutuhan pada sistem baru.
3.2 Perancangan Sistem
Berdasarkan analisis yang dilakukan, penulis akan menggali data untuk dikelompokkan dengan menggunakan metode clustering dengan algoritma K- Means, dimana variabel-variabel dari data peserta KB Aktif yang akan di ambil untuk penelitian tersebut adalah usia, jenis KB dan Kecamatan. Kemudian dari data tersebut
dimasukkan kedalam program PHP sehingga terdapat hasil 3 kelompok.
3.3 Perhitungan Clustering menggunakan K-Means
Metode yang digunakan Dalam permasalahan adalah clustering, proses awal yang dilakukan dalam pemebntukan cluster adalah transformasi data kedalam bentuk numerik dengan kode-kode yang telah di tentukan jumlah groub (K), hitung centroid, hitung jarak ke centroid dan kemudian groubkan berdasarkan jarak terdekat, jika tidak ada objek yang pindah groub maka itersi selesai.
Table III.1 Data Peserta KB Aktif Nama Usia Kecamatan Jenis Kb
P1 49 Binjai Utara Iud P2 45 Binjai Utara Pil P3 25 Binjai Selatan Suntikan P4 32 Binjai Kota Implan P5 35 Binjai Kota Iud P6 33 Binjai Utara Suntikan P7 21 Binjai Timur Iud P8 31 Binjai Timur Pil P9 39 Binjai Kota Implan P10 21 Binjai Timur Suntikan P11 37 Binjai Barat Suntikan P12 46 Binjai Selatan Iud P13 34 Binjai Utara Implan P14 26 Binjai Barat Pil P15 39 Binjai Kota Suntikan P16 40 Binjai Utara MOP P17 34 Binjai Barat MOP P18 30 Binjai Timur MOW P19 38 Binjai Utara MOW
P20 25 Binjai Timur Implan
Tabel III.2 Inisialisai Kriteria Usia Kode Usia Keterangan
1. 17-21 1
2. 22-30 2
3. 31-40 3
4. 41-50 4
Tabel III.3 Inisialisai Kriteria Kecamatan Kode Kecamatan Keterangan
1. Binjai Utara 1 2. Binjai Kota 2 3. Binjai Barat 3 4. Binjai Timur 4 5. BinjaiSelatan 5
Tabel III.4 Inisialisai Kriteria Jenis KB Kode Jenis KB Keterangan
1. IUD 1
2. MOP 2
3. MOW 3
4. KONDOM 4
5. IMPLAN 5
6. SUNTIKAN 6
7. PIL 7
Selanjutnya dilakukan transformation dengan ketentuan berikut:
Tabel III.5 Transformasi Data
Nama Usia Kecamatan Jenis Kb
P1 4 1 1
P2 4 1 7
P3 2 5 6
P4 3 2 5
P5 3 2 1
P6 3 1 6
P7 1 4 1
P8 3 4 7
P9 3 2 5
P10 1 4 6
P11 3 3 6
P12 4 5 1
P13 3 1 5
P14 2 3 7
P15 3 2 6
P16 3 1 2
P17 3 3 2
P18 2 4 3
P19 3 1 3
P20 2 4 5
Tabel III.8 Hasil Iterasi ke 1
Nama Usia Kecamatan Jenis
Kb C1 C2 C3 GRUB
P1 4 1 1 5,39 1,90 3,36 2
P2 4 1 7 2,24 6,10 4,51 1
P3 2 5 6 2,56 5,46 3,44 1
P4 3 2 5 1,17 3,85 2,08 1
P5 3 2 1 5,04 0,63 2,51 2
P6 3 1 6 1,57 5,06 3,44 1
P7 1 4 1 5,49 2,45 2,88 2
P8 3 4 7 1,79 5,97 3,91 1
P9 3 2 5 1,17 3,85 2,08 1
P10 1 4 6 2,26 5,39 3,29 1
P11 3 3 6 0,53 4,82 2,80 1
P12 4 5 1 5,71 2,61 3,36 2
P13 3 1 5 1,86 4,12 2,70 1
P14 2 3 7 1,32 5,90 3,78 1
P15 3 2 6 0,61 4,84 2,97 1
P16 3 1 2 4,30 1,79 2,41 2
P17 3 3 2 4,03 0,89 1,35 2
P18 2 4 3 3,41 2,49 1,15 3
P19 3 1 3 3,39 2,41 2,08 3
P20 2 4 5 1,91 4,17 2,08 1
Group Lama :
{2,1,1,1,2,1,2,1,1,1,1,2,1,1,1,2,3,3,3,3}
Group Baru :
{2,1,1,1,2,1,2,1,1,1,1,2,1,1,1,2,2,3,3,1}
Terjadi perubahan group, maka dilakukan iterasi selanjutnya
Tabel III.9 Hasil Iterasi 2
Nama Usia Kecamatan Jenis
Kb C1 C2 C3 GRUB
P1 4 1 1 5,39 1,90 3,36 2
P2 4 1 7 2,24 6,10 4,51 1
P3 2 5 6 2,56 5,46 3,44 1
P4 3 2 5 1,17 3,85 2,08 1
P5 3 2 1 5,04 0,63 2,51 2
P6 3 1 6 1,57 5,06 3,44 1
P7 1 4 1 5,49 2,45 2,88 2
P8 3 4 7 1,79 5,97 3,91 1
P9 3 2 5 1,17 3,85 2,08 1
P10 1 4 6 2,26 5,39 3,29 1
P11 3 3 6 0,53 4,82 2,80 1
P12 4 5 1 5,71 2,61 3,36 2
P13 3 1 5 1,86 4,12 2,70 1
P14 2 3 7 1,32 5,90 3,78 1
P15 3 2 6 0,61 4,84 2,97 1
P16 3 1 2 4,30 1,79 2,41 2
P17 3 3 2 4,03 0,89 1,35 2
P18 2 4 3 3,41 2,49 1,15 3
P19 3 1 3 3,39 2,41 2,08 3
P20 2 4 5 1,91 4,17 2,08 1
Group Lama :
{2,1,1,1,2,1,2,1,1,1,1,2,1,1,1,2,2,3,3,1}
Group Baru :
{2,1,1,1,2,1,2,1,1,1,1,2,1,1,1,2,2,3,3,1}
Karena pada iterasi ke-3 dan ke-4 posisi cluster tidak berubah atau terdapat kesamaan, maka dihentikan dan mendapat hasil sebagai berikut:
Gambar III.6 Grafik Clustering Peserta KB Aktif
Keterangan:
Centroid 1 = (4.3, 1.71, 5.71)
Centroid 2 = (4.25, 3, 1) Centroid 3 = (2, 4, 6,5)
Dari 20 data terdapat 3 Group yaitu group 1 terdapat data dan group 2 terdapat 4 data dan group 3 terdapat 4 data. Adapun penjelasan terdapat dari 3 group tersebut sebagai berikut:
1. Cluster 1 Terdapat 7 Data 2.67 2.67 5.92
Berdasarkan perhitungan diatas dapat diketahui bahwasanya pada cluster 1 kelompok pasangan usia subur dan peserta Kb aktif pada group 1 adalah faktor Usia (X) adalah 31-40, dan untuk faktor Kecamatan (Y) adalah Binjai Barat dan faktor Jenis KB (Z) adalah Suntikan.
2. Cluster 2 Terdapat 4 Data 3 2.67 1.33
Berdasarkan perhitungan diatas dapat diketahui bahwasanya pada cluster 1 kelompok pasangan usia subur dan peserta Kb aktif pada group 1 adalah faktor Usia (X) adalah 31-40, dan untuk faktor Kecamatan (Y) adalah Binjai Barat dan faktor Jenis KB (Z) adalah IUD.
3. Cluster 3 Terdapat 4 Data 2.5 2.5 3
Berdasarkan perhitungan diatas dapat diketahui bahwasanya pada cluster 1 kelompok pasangan usia subur dan peserta Kb aktif pada group 1 adalah faktor Usia (X) adalah 22-30, dan untuk faktor Kecamatan (Y) adalah
Binjai Kota dan faktor Jenis KB (Z) adalah MOW.
4. Pembahasan Dan Implementasi 4.1 Pembahasan
Langkah-langkah yang dilakukan untuk menghitung jumlah data Peserta Kb Aktif menggunakan metode clustering dengan algoritma K-Means ini, agar dapat mengghasilkan sebuah pengetahuan baru yang bermanfaat bagi instansi tertentu, mengenai berapa banyak kelompok jumlah data peserta KB Aktif Kota Binjai berdasarkan usia, kecamatan, dan jenis kb.
Sehingga dapat diketahui perkembangan masyarakat dalam usia penggunaan kb berdasarkan kecamatan.
4.1.1 Pembahasan Antar muka
Pembahasan antar muka ini menjelaskan mengenai apa saja yang ada dalam sistem program yang telah dibuat.
1. Form Login
Gambar IV.2 Form Login Keterangan Gambar:
Pada menu login ini di User name di isi dengan “Admin” dan password dengan
“Admin”, jika user name dan paasword salah dimasukkan maka user tidak dapat login ke sistem. Setelah itu klik “sig in”
untuk masuk ke menu utama.
2.Menu Utama
Gambar IV.3 Form Utama Keterangan Gambar:
Pada menu utama ini menampilkan semua menu yang ada pada program cluster peserta kb aktif kota binjai, seperti menu peserta.
centorid, cluster, statistik, usia, kecamatan, dan jenis kb.
3. Menu Peserta
Gambar IV.4 Form Peserta Keterangan Gambar:
Pada menu utama ini menampilkan menu data peserta kb aktif seperti Id peserta, Nama, Usia Kecamatan, Jenis KB dan action
untuk opsi menghapus data dan pada tambah peserta kb di kli akan muncul seperti Id usia, nama, usia, kecamatan, dan jenis kb.
4.Menu Usia
Gambar IV.5 Form Usia Keterangan Gambar:
Pada menu usia ini menampilkan data menu usia seperti Id usia, Usia, Point Usia dan action untuk opsi menghapus, dimana untuk inisialisasi usia, dan jika di klik tambah usia maka akan mucul form menambahkan menu usia seperti id usia, usia dan point usia.
5.Menu Kecamatan
Gambar IV.6 Form Kecamatan Keterangan Gambar:
Pada menu kecamatan ini menampilkan data menu kecamatan seperti Id kecamatan, kecamatan, point kecamatan dan action
untuk opsi menghapus dimana untuk inisialisasi kecamatan, dan jika di klik tambah kecamatan maka akan mucul form menambahkan menu kecamatan seperti id usia, kecamatan dan point kecamatan.
6.Menu KB
Gambar IV.7 Form Jenis Kb Keterangan Gambar:
Pada menu jenis kb ini menampilkan data menu jenis kb seperti Id jenis kb, jenis kb, point kb dan action untuk opsi menghapus, dimana untuk inisialisasi jenis kb, dan jika di klik tambah jenis kb maka akan mucul form menambahkan menu jenis kb seperti id jenis kb, jenis kb dan point jenis kb.
7.Menu Centroid
Gambar IV.8 Form Centroid Keterangan Gambar:
pada menu ini menampilkan data pusat centroid seperti C11, C12, C13, C21,C22,C23,C31,C32,C33, di mana untuk menentukan centroid dengan klik “set centroid” maka akan muncul from setiap centroid dan di tentukan secara random atau ketik manual dan di simpan, setelah itu klik proses cluter untuk memproses perhitungan clusternya.
8.Menu Cluster
Gambar IV.9 Form Cluster Keterangan Gambar:
Pada Menu Cluster ini menampilkan data hasil cluster seperti Id peserta, Nama, Usia,
Kecamatan, Jenis Kb dan Cluster, dalam menu ini group akan terlihat di form ini dan untuk melihat garfik klik tampilkan garfik agar grafiknya muncul. Pada bagian bah akan menunjukkan hasil jumlah anggota setiap cluster dari total data yang ada.
9. Menu Statistik
Gambar IV.10 Form Statistik Keterangan :
Pada menu statistik ini menampilkan hasil ouput seperti Kecamatan, IUD, PIL, Kondom, Suntikan, Implan MOW dan MOP, pada menu satistik ini terlihat setiap kecamatan jenis kb yang digunakan.
4.2 Implementasi
Bab 4 ini akan menjelaskan mengenai hasil uji coba perangkat lunak pemograman algoritma K-Means dengan menggunakan PHP untuk mengetahui hubungan antara usia, kecamatan, dan jenis kb yang paling dekat. Implementasi yang akan dibahas adalah kegiatan dimana data- data yang sudah di transformasikan diterapkan kedalam pemograman yang digunakan dan diproses sesuai metode clustering dengan algoritma K-means
sehingga dapat diketahui sejauh mana kinerja sistem dalam mengolah data dan dihasilkan informasi sesuai dengan kebutuhan pengguna. Selain itu, dari hasil pengimplementasian yang dilakukan nantinya akan dilakukan analisa terhadap program atau coding sehingga dapat diketahui apakah sudah memenuhi tujuan yang dicapai.
5. Kesimpulan Dan Saran 5.1 Kesimpulan
Hasil dari analisa berdasarkan clustering Peserta KB Aktif Kota Binjai pada BKKBN Binjai, Maka dapat diambil kesimpulan sebagai berikut:
1. Dari pengujian yang dilakukan menggunakan metode clustering dengan algoritma K-means dapat diketahui setiap kecamatan jenis- jenis KB yang dominan digunakan pada daerah tersebut. Sehingga dapat dilakukan observasi selanjutnya.
2. Diketahui hasil 500 data yang telah dijelaskan sebelumnya pada bab IV bahwa untuk centroid 1 ( 3.04571, 4.06857, 5.8) diketahui bahwasanya pada cluster 1 kelompok pasangan usia subur dan peserta Kb aktif pada group 1 adalah faktor Usia (X) adalah 31-40, dan untuk faktor Kecamatan (Y) adalah Binjai Timur dan faktor Jenis KB (Z) adalah Suntikan. centroid 2 (2.84971, 2.90173, 1.85549) diketahui bahwasanya pada cluster 1 kelompok pasangan usia subur dan peserta Kb
aktif pada group 1 adalah faktor Usia (X) adalah 31-40, dan untuk faktor Kecamatan (Y) adalah Binjai Barat dan faktor Jenis KB (Z) adalah MOP. centroid 3 (3.01316, 1.53289, 4.94079) diketahui bahwasanya pada cluster 1 kelompok pasangan usia subur dan peserta Kb aktif pada group 1 adalah faktor Usia (X) adalah 31-40, dan untuk faktor Kecamatan (Y) adalah Binjai Utara dan faktor Jenis KB (Z) adalah Implan.
3. Dalam Program dapat membantu user dalam mengelompokkan peserta kb aktif dengan program yang ada.
5.2 Saran
Setelah usaha semaksimal mungkin untuk menyelesaikan skripsi ini, maka penulis ingin memberikan saran seperti apa yang penulis lihat selama penulis melakukan penelitian, sehingga dapat membantu pengguna sistem clustering Peserta KB Aktif Kota Binjai.
1. Diharapkan pada metode clutering dengan menggunakan algoritma yang lain selain algoritma K-means agar dapat dilihat perbandingannya dari algoritma-algoritma yang ada.
2. Diharapkan dapat dilakukan penelitian dengan metode yang lain baik dari segi variabel atau menggunakan pemograman yang lain.
3. Diharapkan pada Program seperti interface yang dihasilkan dapat dilakukan pengembangan yang lebih
baik dari sebelumnya dan tampilannya lebih menarik lagi.
Demikianlah saran-saran dari penulis agar sistem dari clustering Peserta Kb Aktif Kota Binjai dapat lebih maksimal dalam penggunaanya.
