Algoritma Clustering K-Nearest Neighbor Dalam Pengelompokan Masyarakat Kecamatan Medan Area Berdasarkan Tingkat Ekonomi
Keluarga
Rizky Meliani Astri Hasibuan*, Efori Bu’ulolo, Sumiaty Adelina Hutabarat
Fakultas Ilmu Komputer dan Teknologi Informasi, Program Studi Teknik Informatika, Universitas Budi Darma, Medan, Indonesia
Email: 1,*[email protected], 2[email protected], 3[email protected] Email Penulis Korespondensi: [email protected]
Abstrak− Perekonomian yang terus berubah dan berkembang mungkin akan mengakibatkan peningkatan kesulitan ekonomi.
Perkembangan ekonomi pada saat ini yang mengalami penurunan hingga 4,79, sehingga menyebabkan kemiskinan di Indonesia meningkat. Untuk melihat kondisi perekonomian masyarakat maka perlu pendataan yang terperinci agar masyarakat yang ekonomi bawah mendapatkan bantuan. Permasalahan yang dihadapi di dalam penelitian ini adalah pendataan dan klasifikasi tingkat ekonomi penduduknya. Prosesnya tidak terlalu efisien karena dilakukan secara manual. Prosedur klasifikasi hanya akan dilakukan bila diperlukan. Pengontrolan kesejahteraan penduduk belum dilakukan secara mendetail. Untuk mengatasi permasalahan tersebut maka dibutuhkan suatu sistem agar pengelompokkan penduduk yang memiliki klasifikasi dari tingkat ekonomi tinggi hingga bawah.
Penelitian ini menggunakan Algoritma Clustring K-NN dimana memerlukan informasi training untuk mengklasifikasikan objek yang jaraknya sangat dekat. Dalam proses terakhir algoritma Clustring K-NN adalah metode untuk menghitung rasio data lama dengan informasi yang diperbarui. Serta mencari nilai kemunculan data terbanyak yang akan dijadikan acuan sebagai hasil.
Kata kunci : Data Mining; Pengelompokkan; Kemiskinan; K-Nearest Neighbor
Abstract− An economy that is constantly changing and developing may result in increased economic difficulties. Current economic developments have decreased to 4.79, causing poverty in Indonesia to increase. To see the condition of the people's economy, it is necessary to collect detailed data so that people with a lower economy get assistance. The problems faced in this study are data collection and classification of the economic level of the population. The process is not very efficient becau se it is done manually. Classification procedures will only be carried out when necessary. Controlling the welfare of the population has not been carried out in detail. To overcome these problems, we need a system so that the grouping of people who have a classifica tion from high to low economic level. This study uses the K-NN Clustring Algorithm which requires information training to classify objects that are very close. In the last process the Clustring K-NN algorithm is a method for calculating the ratio of old data to updated information. As well as looking for the highest data occurrence value that will be used as a reference as a result.
Keywords : Data Mining; Grouping; Poverty; K-Nearest Neighbor
1. PENDAHULUAN
Ekonomi keluarga adalah disiplin yang mengajarkan tentang usaha manusia untuk memenuhi kebutuhan melalui inisiatif yang dilakukan oleh orang-orang yang berkomitmen teguh untuk memenuhi kebutuhan tersebut [1]. Setiap situasi ekonomi adalah unik dan memiliki ambang batas yang unik untuk ekspansi. Selalu ada berita ekonomi baik dan buruk. Selain itu, ekonomi sosial mengidentifikasi tempat individu dalam sekelompok orang berdasarkan kegiatan ekonomi, pendapatan, tingkat pendidikan, jenis pekerjaan, dan status mereka. Data dapat digunakan sebagai tolak ukur pendapat rumah tangga dalam pelaporan ekonomi masyarakat. Data tersebut kemudian dibandingkan dengan jumlah tukar rupiah relevan yang diperlukan untuk menutupi biaya hidup minimum.
Program bantuan untuk masyarakat miskin sudah banyak dilakukan oleh pemerintah salah satunya BLT (Bantuan Langsung Tunai). Salah satu di Kecamatan Medan Area mendapatkan program bantuan untuk masyarakat miskin adalah Sukarami II , namun program bantuan untuk masyarakat miskin yang di selenggarakan oleh pemerintah masih belum tergolong sukses, karena masih banyak masyarakat miskin yang belum mendapatkan program bantuan dan sebaliknya masyarakat yang tergolong mampu justru mendapatkan bantuan tersebut.
Kecamatan Medan Area merupakan tempat pelayanan masyarakat di bidang pemerintahan yang terletak di Jalan Rahmadsyah No.2, Kota Matsum I, Kecamatan Medan Area, Kota Medan, Sumatera Utara. Kecamatan Medan Area terdiri dari 12 kelurahan pada setiap kelurahan dipimpin oleh lurah adapun 12 kelurahan yang dimaksud yakni Kotamatsum I, Kotamatsum II, Kotamatsum IV, Tegal Sari I, Tegal Sari II, Tegal Sari III, Pandu Hulu II, Sei Ranggas I, Sei Ranggas Permata, Pasar Merah Timur, Sukaramai I dan Sukaramai II. Dengan banyaknya kelurahan di Kecamatan Medan Area menjadi tinjauan yang harus diperhatikan pada taraf tingkat ekonomi penduduk pada setiap kelurahannya agar terciptanya kesejehterahan masyarakat.
Proses pendataan dan pengelompokan tingkat status ekonomi warga Kecamatan Medan Area saat ini sebagian besar masih manual, sehingga efisiensi dalam proses pendataan kurang ideal. Hanya bila diperlukan, seperti saat ada bantuan pemerintah, barulah proses pengelompokan dilakukan. Akibatnya, warga Kecamatan Medan Area tidak dikontrol dengan baik oleh otoritas pemerintah karena kurangnya pengawasan pemerintah secara rinci.
Berdasarkan pernyataan di atas, aplikasi khusus harus dibuat. untuk dapat mengklasifikasikan status ekonomi keluarga di Kecamatan Medan Area dengan menggunakan algoritma K-Nearest Neighbor. Berdasarkan data-data perekonomian masyarakat akan dikelompokkan menjadi 3 golongan ekonomi masyarakat yaitu ekonomi keluarga kelas atas, ekonomi keluarga kelas menengah dan ekonomi keluarga kelas bawah. Untuk mengelompokkan golongan
ekonomi masyarakat tersebut digunakan 4 kriteria, yaitu pekerjaan, penghasilan perbulan, jumlah anggota keluarga, pendidikan terakhir. Algoritma K-NN salah satu algoritma data mining untuk clustering atau pengelompokan berdasarkan kriteria tertentu. Untuk itu sangat cocok menggunakan algoritma K-NN untuk pengelompokan tingkat ekonomi masyarakat, dimana data-data dari setiap pendudukan kecamatan Medan Area digunakan sebagai kriteria.
Irfan Sofi melakukan penelitian sebelumnya yang berjudul “Efektivitas Bantuan Langsung Tunai Dana Desa dalam Pemulihan Ekonomi Desa” pada tahun 2021, dan terungkap bahwa BLT Desa terutama dilaksanakan di daerah- daerah dengan tingkat kejadian anggaran yang tinggi. Temuan lain termasuk perbedaan antara jumlah BLT Desa dan KPM Desa, inkonsistensi antara DTKS Harga non-tunai tidak terlalu tinggi di kepulauan dan daerah pegunungan[2].
ada penelitian lain yang dilakukan oleh Eti Yonika, Sri Ritno, 2019 mengatakan Data tentang populasi dapat diklasifikasikan dengan menggunakan algoritma Classification and Regression (Cart) dengan melihat data yang melebihi tingkat kesesuain tertinggi berdasarkan data tentang populasi sebelumnya. Namun dari segi pemekaran calon dan cabangan total, sangat bermasalah jika data yang diungkapkan dalam jumlah yang cukup besar. [3]. Pada penelitian lain yang dilakukan oleh S Ramadani dkk, 2019 Dari 20 data yang didistribusikan di antara ketiga kelompok tersebut, Klaster 1 memiliki enam data untuk penjualan, Klaster 2 berisi delapan untuk kemisikinan, dan Klaster 3 berisi enam untuk kemisikinan. Klaster 2 adalah grup yang paling sering digunakan dan ada 8 Data Kemiskinan (1,37, 3,5, dan 3). Jelas bahwa klaster 2 memiliki konsentrasi kemiskinan yang tinggi dalam Jumlah Tanggungan = 1 (0-1) dengan Ijazah Tertinggi Suami = 3 (SMP/Sederajat), dan Lapangan Usaha Dari Pekerjaan Utama Seorang Suami = 4. (Perikanan Tangkap) [4].
2. METODOLOGI PENELITIAN
2.1 Kerangka Kerja Penelitian
Pada penelitian ini memiliki kerangka kerja dalam penerapan Data Mining K-Nearest Neighbor serta pengelompokan tingkat ekonomi keluarga, memiliki beberapa tahapan sebagai berikut:
Gambar 1. Kerangka Kerja Penelitian Keterangan:
1. Mengidentifikasi Masalah
Pada tahapan ini identifikasi masalah yang akan dihadapi Kecamatan Medan Area tentang ekonomi keluarga sehingga dapat diketahui solusi yang akan dibuat untuk memecahkan masalah tersebut.
2. Studi Lapangan
Pada kegiatan penulis mengumpulkan data yang berkaitan dengan penelitian dan menetapkan wawancara serta observasi.
a. Observasi
Observasi adalah suatu teknik pengamatan secara langsung di lapangan atau lokasi penelitian. Data yang diperoleh berupa data masyarakat yang ada di Kecamatan Medan Area.
b. Wawancara
Merupakan tahapan wawancara terhadap pihak yang bersangkutan dalam hal ini kepala lingkungan guna mendapatkan data-data yang diperlukan.
3. Studi Pustaka
Tahapan ini digunakan untuk mengumpulkan data dengan membaca dari berbagai sumber yang berkaitan dengan penelitian serta dapat menjadi referensi, seperti : buku, jurnal, e-book serta sumber lainnya.
4. Analisis dan Penerapan Algoritma K-Nearest Neighboard
Pada tahapan ini dilakukan untuk mengatasi permasalahan dan memberikan solusi dengan menggunakan algoritma yang telah ditentukan untuk mengklasifikasikan masyarakat ekonomi keluarga.
5. Pengujian Metode dan Penetapan Hasil
Pada tahapan ini dilakukan validasi data dengan menggunakan software orange untuk pengklasifikasian masyarakat berdasarkan ekonomi keluarga serta penetapan hasil pengujian.
6. Penulisan Laporan Penelitian
Tahapan terakhir dalam proses ini adalah menuliskan laporan penelitian. Pada titik ini, proses dan masalah yang akan dibahas dalam bentuk laporan akan terungkap. Penulisan laporan penelitian juga dilakukan sebagai bentuk umpan balik atas hasil penelitian. Data mining merupakan suatu proses yang menggunakan kecerdasan buatan secara Teknik statistika dan machine learning untuk mencari informasi yang berguna serta pengetahuan yang terkait di sejumlah database besar[8].Data Mining sangat perlu dilakukan terutama dalam mengolah data yang sangat besar untuk memudahkan kegiatan pencatatan suatu transaksi dan mengolah data agar dapat memberikan informasi yang akurat kepada penggunanya. Alasan utama mengapa penambangan data sangat menarik industry informasi dalam beberapa tahun terakhir adalah karena ketersediaan data dalam jumlah yang sangat besar[9].
Semakin besar kebutuhan untuk mengubah data itu menjadi informasi, dan pengetahuan yang berguna dan bermanfaat, karena sesuai dengan focus bidang ilmunya yaitu melakukan kegiatan mengestrak atau menambang ilmu dari sejumlah data besar, informasi ini akan sangat berguna untuk memeriksa suatu data besar dalam mencari wawasan tersembunyi yang berharga dan konsisten. Tujuan dari data mining ini untuk mencari pola yang dibutuhkan di dalam database besar serta dapat membantu dalam pengambilan keputusan di masa depan[7].
2.2 Sampel Data
Adapun sampel data yang digunakan pada penelitian penerimaan bantuan sosial pada tingkat ekonomi keluarga adalah sebagai berikut:
Tabel 1. Tabel Sampel Data
2.3 Lokasi Penelitian
Lokasi atau lokasi penelitian penulis dilakukan di Kecamatan Medan Area yang beralamat di Jalan Rahmadsyah No.2, Wilayah Medan, Kecamatan Medan Area, Kota Medan, Sumatera Utara 20217. Peneliti memilih lokasi ini dengan berbagai alasan antara lain karena lebih dekat dengan tempat tinggal, mudah dijangkau dan ekonomis. Selain itu, penelitian ini dilakukan di Kecamatan Medan Area karena ingin mengetahui sejauh mana instansi tersebut melakukanpenilaian terhadap klasifikasi ekonomi keluarga.
Gambar 2. Lokasi Kecamatan Medan Area
No Nama Pekerjaaan Penghasilan Perbulan Jumlah Anggota Keluarga Pendidikan terakhir
1 James Karyawan Swasta Rp.2.500.000 2 SMA
2 Kasan Wiraswasta Rp.1.000.000 2 SMP
3 Efendy Karyawan Swasta Rp.2.500.000 2 SMA
4 Jhoni Wiraswasta Rp.1.000.000 4 SMP
5 Johan Tandiono Buruh Rp.2.000.000 3 SMA
6 Ali Susanto Guru Rp.3.000.000 1 Diploma
7 Ahmad Sutrisno Buruh Rp.2.000.000 4 SMA
8 Heriani Guru Rp.3.000.000 3 Diploma
9 Indra Karyawan Swasta Rp.2.500.000 3 SMA
10 Ida Haswati Karyawan Swasta Rp.2.500.000 2 SMA
11 Dedi Heriyanto Wiraswasta Rp.1.000.000 4 SMP
12 Fauziah Wiraswasta Rp.1.000.000 3 SMP
13 Sari Desy Karyawan Swasta Rp.2.500.000 2 SMA
14 Sargianto Wiraswasta Rp.1.000.000 3 SMP
15 Sofyan Karyawan Swasta Rp.2.500.000 2 SMP
3. HASIL DAN PEMBAHASAN
3.1 Analisa Masalah
Pada pengelompokan masyarakat berdasarkan tingkat ekonomi keluarga maka digunakan data masyarakat yang mendapatkan bantuan sosial dengan Algoritma Clustering K-Nearest Neighbor dalam proses cluster tidak dapat menggunakan data dalam bentuk huruf, oleh karena itu kriteria dikonversikan kedalam bentuk angka.
3.2 Pengumpulan Data
Untuk menentukan masyarakat (penduduk) berdasarkan ekonomi keluarga maka dibutuhkan suatu sampel data masyarakat untuk dilakukan pengujian dengan Algoritma KNN. Berikut ini merupakan data-data masyarakat yang diperoleh terlihat pada tabel 2 di bawah ini.
Tabel 2. Data Masyarakat
Berikut ini merupakan perhitungan Algoritma K-Nearest Neighboard antara lain : 1. Pembobotan Kreteria
Setiap kriteria memiliki rentang nilai antara 0 s/d 1, tergantung hubungan antara kriteria dengan objeknya, dan digunakan untuk mengklasifikasikan status ekonomi masyarakat di Kecamatan Medan Area. Kriteria yang paling berpengaruh akan diberikan bobot lebih tinggi daripada kriteria lainnya,
Tabel 3 Pembobotan Kriteria
No Kriteria Bobot
1 Pekerjaan 0.5
2 Penghasilan Perbulan 0.8 3 Jumlah anggota rumah tangga 0.3 4 Pendidikan terakhir 0.3 2. Kriteria dan Nilai
Berikut ini merupakan daftar nilai dari masing-masing kriteria yang digunakan untuk menentukan status ekonomi keluarga di Kecamatan Medan Area.
Tabel 4 Kriteria dan Nilai
No Kriteria Nilai Kriteria
1 Pekerjaan Karyawan Swasta Wiraswasta Guru No Nama Pekerjaaan Penghasilan
Perbulan
Pendidikan terakhir
Jumlah Anggota Keluarga
Pendidikan terakhir
1 James Karyawan
Swasta
Rp.2.500.000 SMA 2 SMA
2 Kasan Wiraswasta Rp.1.000.000 SMP 2 SMP
3 Efendy Karyawan
Swasta
Rp.2.500.000 SMA 2 SMA
4 Jhoni Wiraswasta Rp.1.000.000 SMP 4 SMP
5 Johan Tandiono
Buruh Rp.2.000.000 SMA 3 SMA
6 Ali Susanto Guru Rp.3.000.000 Diploma 1 Diploma
7 Ahmad Sutrisno
Buruh Rp.2.000.000 SMA 4 SMA
8 Heriani Guru Rp.3.000.000 Diploma 3 Diploma
9 Indra Karyawan
Swasta
Rp.2.500.000 SMA 3 SMA
10 Ida Haswati Karyawan Swasta
Rp.2.500.000 SMA 2 SMA
11 Dedi Heriyanto
Wiraswasta Rp.1.000.000 SMP 4 SMP
12 Fauziah Wiraswasta Rp.1.000.000 SMP 3 SMP
13 Sari Desy Karyawan Swasta
Rp.2.500.000 SMA 2 SMA
14 Sargianto Wiraswasta Rp.1.000.000 SMP 3 SMP
15 Sofyan Karyawan
Swasta
Rp.2.500.000 SMP 2 SMP
No Kriteria Nilai Kriteria Buruh
2 Penghasilan Perbulan <Rp.1.000.000
Rp. 1.000.000 s/d 2.000.000 Rp. 2.500.000 s/d 3.000.000
>Rp.3.000.000 3 Jumlah anggota rumah
tangga
1 orang 2-4 orang
>4 Orang 4 Pendidikan terakhir SMP
SMA Diploma 3. Nilai Kedekatan Antar Kriteria
Dalam menentukan kedekatan antar kriteria dalam mengklasifikasikan status ekonomi keluarga, dapat ditentukan oleh Kepala Seksi Kecamatan Medan Area. Nilai 0 berarti kedua kasus benar-benar mirip. Nilai yang lebih besar dari 0 berarti kedua kasus tidak tampak sama. Nilai kedekatan untuk setiap nilai kriteria dapat dilihat pada tabel di bawah ini. Nilai tebawah menunjukkan bahwa kedua kriteria tersebut lebih mirip dari yang lain.
Tabel 5 Nilai Kedekatan Kriteria Pekerja
Kedekatan Buruh Karyawan Swasta Wiraswasta Guru
Buruh 0 0.1 0.5 0.7
Karyawan Swasta 0.1 0 0.4 0.6
Wiraswasta 0.5 0.4 0 0.2
Guru 0.7 0.6 0.2 0
Berikut ini merupakan nilai kedekatan kriteria penghasilan perbulan seperti terlihat pada tabel 6 di bawah ini.
Tabel 6 Nilai Kedekatan Kriteria Penghasilan Perbulan Kedekatan Rp.<1.000.000 Rp.1.000.000 s/d
2.000.000
Rp.2.500.000s/d 3.000.000
Rp.<3.000.000
Rp.<1.000.000 0 0.1 0.3 0.5
Rp.1.000.000 s/d 2.000.000
0.1 0 0.2 0.4
Rp.2.500.000 s/d 3.000.000
0.3 0.2 0 0.2
Rp.<3.000.000 0.5 0.4 0.2 0
Berikut ini merupakan nilai kedekatan kriteria pendidikan terakhir seperti terlihat pada tabel 7 di bawah ini.
Tabel 7 Nilai Kedekatan Kriteria Pendidikan Terakhir Kedekatan SMP SMA Diploma
SMP 0 0.1 0.3
SMA 0.1 0 0.1
Diploma 0.3 0.3 0
Berikut ini merupakan nilai kedekatan kriteria pendidikan terakhir seperti terlihat pada tabel 8 di bawah ini.
Tabel 8 Nilai Kedekatan Jumlah Anggota Rumah Tangga Kedekatan 1 Orang 2-4 Orang >4 Orang
1 Orang 0 0.3 0.5
2-4 Orang 0.3 0 0.2
>4 Orang 0.5 0.2 0
Berdasarkan nilai kedekatan kriteria yang telah ditentukan diatas maka didapatkan hasil data testing seperti tabel 8 di bawah ini.
Tabel 9. Data Testing
Nama Kriteria
James Kasan Efendy Jhoni Johan Tandiono Ali Susanto Ahmad Sutrisno Heriani Indra Ida Haswati Dedi Heriyanto Fauziah Sari Desy Sargianto Sofyan
A1
Karyawan Swasta Wiraswasta Karyawan Swasta Wiraswasta Buruh Guru Buruh Guru Karyawan Swasta Karyawan Swasta Wiraswasta Wiraswasta Karyawan Swasta Wiraswasta Karyawan Swasta
A2Rp.2.500.000 Rp.1.000.000 Rp.2.500.000 Rp.1.000.000 Rp.2.000.000 Rp.3.000.000 Rp.2.000.000 Rp.3.000.000 Rp.2.500.000 Rp.2.500.000 Rp.1.000.000 Rp.1.000.000 Rp.2.500.000 Rp.1.000.000 Rp.2.500.000
A3
2 2 2 4 3 1 4 3 3 2 4 3 2 3 2
A4
SMA SMP SMA SMP SMA Diploma SMA Diploma SMA SMA SMP SMP SMA SMP SMP
Keterangan : A1 : Pekerjaan
A2 : Penghasilan Perbulan A3 : Pendidikan Terakhir
A4 : Jumlah Tanggung Rumah Tangga
Misalkan memiliki kasus baru dalam pengujian data dengan kriteria seperti pada tabel 4.9 di bawah ini. Kasus baru akan dibandingkan dengan kasus lama pada data testing, yang dapat dilihat pada tabel 4.8. Untuk memahami hubungan antara kasus baru dan lama, bandingkan keduanya.
Tabel 10. Data Testing Nama Kriteria Supriadi
A1 Guru
A2 Rp.3.500.000
A3 Diploma
A4 2 s/d 4 Orang
Status ?
Berdasarkan kasus baru tersebut diatas maka akan dikaitkan ke kasus yang lama, untuk itu didapatkan hasil perhitungan jarak seperti tabel 4.10 di bawah ini.
Data 1
d (𝑥1, 𝑐) =√(𝑎1− 𝑐𝑎)2+(𝑏1− 𝑐𝑏)2+ (𝑐1− 𝑐𝑐)2+(𝑑1− 𝑐𝑑)2
= √(0.7 − 0.1)2+ (0.5 − 0.3)2+ (0.5 − 0.2)2+ (0.3 − 0.3)2 = 0.49 Data 2
d (𝑥2, 𝑐) =√(𝑎2− 𝑐𝑎)2+(𝑏2− 𝑐𝑏)2+ (𝑐2− 𝑐𝑐)2+(𝑑2− 𝑐𝑑)2
= √(0.7 − 0.5)2+ (0.5 − 0)2+ (0.5 − 0)2+ (0.3 − 0.3)2 = 0.54 Data 3
d (𝑥3, 𝑐) =√(𝑎3− 𝑐𝑎)2+(𝑏3− 𝑐𝑏)2+ (𝑐3− 𝑐𝑐)2+(𝑑3− 𝑐𝑑)2
= √(0.7 − 0.1)2+ (0.5 − 0.3)2+ (0.5 − 0.1)2+ (0.3 − 0.3)2 = 0.56 Data 4
d (𝑥3, 𝑐) =√(𝑎4− 𝑐𝑎)2+(𝑏4− 𝑐𝑏)2+ (𝑐4− 𝑐𝑐)2+(𝑑4− 𝑐𝑑)2
= √(0.7 − 0.5)2+ (0.5 − 0)2+ (0.5 − 0)2+ (0.3 − 0.3)2 = 0.54 Data 5
d (𝑥5, 𝑐) =√(𝑎5− 𝑐𝑎)2+(𝑏5− 𝑐𝑏)2+ (𝑐5− 𝑐𝑐)2+(𝑑5− 𝑐𝑑)2
= √(0.7 − 0)2+ (0.5 − 0.5)2+ (0.5 − 0.1)2+ (0.3 − 0.3)2 = 0.65 Data 6
d (𝑥6, 𝑐) =√(𝑎6− 𝑐𝑎)2+(𝑏6− 𝑐𝑏)2+ (𝑐6− 𝑐𝑐)2+(𝑑6− 𝑐𝑑)2
= √(0.7 − 0.7)2+ (0.5 − 0.5)2+ (0.5 − 0.5)2+ (0.3 − 0)2 = 0.09 Data 7
d (𝑥7𝑐) =√(𝑎7− 𝑐𝑎)2+(𝑏7− 𝑐𝑏)2+ (𝑐7− 𝑐𝑐)2+(𝑑7− 𝑐𝑑)2
= √(0.7 − 0.7)2+ (0.5 − 0.5)2+ (0.5 − 0.1)2+ (0.3 − 0.3)2 = 0.65 Data 8
d (𝑥8, 𝑐) =√(𝑎8− 𝑐𝑎)2+(𝑏8− 𝑐𝑏)2+ (𝑐8− 𝑐𝑐)2+(𝑑8− 𝑐𝑑)2
= √(0.7 − 0.7)2+ (0.5 − 0.5)2+ (0.5 − 0.5)2+ (0.3 − 0.3)2 = 0 Data 9
d (𝑥9, 𝑐) =√(𝑎9− 𝑐𝑎)2+(𝑏9− 𝑐𝑏)2+ (𝑐9− 𝑐𝑐)2+(𝑑9− 𝑐𝑑)2
= √(0.7 − 0.1)2+ (0.5 − 0.3)2+ (0.5 − 0.2)2+ (0.3 − 0.3)2 =0.44 Data 10
d (𝑥10, 𝑐) =√(𝑎10− 𝑐𝑎)2+(𝑏10− 𝑐𝑏)2+ (𝑐10− 𝑐𝑐)2+(𝑑10− 𝑐𝑑)2
= √(0.7 − 0.1)2+ (0.5 − 0.3)2+ (0.5 − 0.2)2+ (0.3 − 0.3)2 =0.44 Data 11
d (𝑥11, 𝑐) =√(𝑎11− 𝑐𝑎)2+(𝑏11− 𝑐𝑏)2+ (𝑐11− 𝑐𝑐)2+(𝑑11− 𝑐𝑑)2
= √(0.7 − 0.5)2+ (0.5 − 0)2+ (0.5 − 0)2+ (0.3 − 0.3)2 =0.54 Data 12
d (𝑥12, 𝑐) =√(𝑎12− 𝑐𝑎)2+(𝑏12− 𝑐𝑏)2+ (𝑐12− 𝑐𝑐)2+(𝑑12− 𝑐𝑑)2
= √(0.7 − 0.5)2+ (0.5 − 0)2+ (0.5 − 0)2+ (0.3 − 0.3)2 =0.54 Data 13
d (𝑥13, 𝑐) =√(𝑎13− 𝑐𝑎)2+(𝑏13− 𝑐𝑏)2+ (𝑐13− 𝑐𝑐)2+(𝑑13− 𝑐𝑑)2
= √(0.7 − 0.1)2+ (0.5 − 0.3)2+ (0.5 − 0.2)2+ (0.3 − 0.3)2 =0.49 Data 14
d (𝑥14, 𝑐) =√(𝑎14− 𝑐𝑎)2+(𝑏14− 𝑐𝑏)2+ (𝑐14− 𝑐𝑐)2+(𝑑14− 𝑐𝑑)2
= √(0.7 − 0.5)2+ (0.5 − 0)2+ (0.5 − 0)2+ (0.3 − 0.3)2 =0.54 Data 15
d (𝑥15, 𝑐) =√(𝑎15− 𝑐𝑎)2+(𝑏15− 𝑐𝑏)2+ (𝑐15− 𝑐𝑐)2+(𝑑15− 𝑐𝑑)2
= √(0.7 − 0.1)2+ (0.5 − 0.3)2+ (0.5 − 0)2+ (0.3 − 0.3)2 = 0.65
Selanjutnya dilakukan perhitungan yang sama terhadap alternatif yang lainnya. Maka didapatkan hasil dari perhitungan jarak seperti tabel 10 di bawah ini.
Tabel 11. Hasil Perhitungan Jarak No K1 K2 K3 K4 Kedekatan
1 0.36 0.04 0.09 0 0.49 2 0.04 0.25 0.25 0 0.54 3 0.36 0.04 0.16 0 0.56 4 0.04 0.25 0.25 0 0.54 5 0.49 0 0.16 0 0.65
6 0 0 0 0.09 0.09
7 0.49 0 0.16 0 0.65
8 0 0 0 0 0
9 0 0.16 0.09 0 0.44 10 0 0.16 0.09 0 0.44 11 0.04 0.25 0.25 0 0.54 12 0.04 0.25 0.25 0 0.54 13 0.36 0.04 0.09 0 0.49 14 0.04 0.25 0.25 0 0.54 15 0.36 0.32 0.09 0 0.65 Keterangan :
K1 : Nilai kedekatan kriteria pekerjaan kasus lama dengan kasus baru
K2 : Nilai kedekatan kriteria penghasilan perbulan kasus lama dengan kasus baru K3 : Nilai kedekatan kriteria jumlah anggota keluarga kasus lama dengan kasus baru K4 : Nilai kedekatan kriteria pendidikan terakhir kasus lama dengan kasus baru
Pengelompokan masyarakat Kecamatan Medan Area berdasarkan tingkat ekonomi keluarga berdasrkan perhitungan menggunakan Algoritma Clustering K-Nearest Neighbor sebagai berikut :
Tingkat ekonomi atas
1. Nilai 0 .09 atas nama Ali Susanto 2. Nilai 0 atas nama Heriani Tingkat ekonomi menengah 1. Nilai 0.49 atas nama James 2. Nilai 0.56 atas nama Efendy 3. Nilai 0.44 atas nama Indra 4. Nilai 0.44 atas nama Ida Aswati 5. Nilai 0.49 atas nama Sari Desy 6. Nilai 0.65 atas nama Sofyan Tingkat ekonomi bawah 1. Nilai 0.54 atas nama Kasan 2. Nilai 0,54 atas nama Jhoni
3. Nilai 0.65 atas nama Johan Tandiono 4. Nilai 0,65 atas nama Ahmad Sutrisno 5. Nilai 0.54 atas nama Dedy Hariyanto 6. Nilai 0.54 atas nama Fauziah 7. Nilai 0,54 atas nama Sargianto
Jika kita perhatikan tabel 4.10, kita dapat melihat bahwa kasus ke-8 memiliki kedekatan terdekat dengan kasus baru, yang berarti bahwa status kasus baru sama dengan status kasus ke-8, yaitu "Sejahtera" (Ekonomi Atas ).
3.3 Implementasi
Implementasi adalah proses penggunaan aplikasi dan menguji aplikasi sesuai dengan perancangan. Dalam menjalan aplikasi diperlukan fasilitas – fasilitas pendukung yang dijadikan sarana pengolahan program, yaitu:
1. Perangkat Keras (Hardware)
Perangkat lunak ini di rekomendasikan untuk di jalankan dengan menggunakan perangkat keras (hardware) yang mempunyai spesifikasi minimal sebagai berikut :
1. Prosesor minimal core I3 2,8 Ghz.
2. Memori minimal 1 Giga Byte.
3. Harddisk minimal 100 Giga Byte 4. VGA card minimal 1 Giga Byte
5. Monitor dengan resolusi minimal 1024 768 pixel.
6. Keyboard dan Mouse (bila menggunakan PC).
2. Perangkat Lunak (Software)
Persiapan perangkat lunak (Software) yang dibutuhkan untuk mengimplementasikan aplikasi pengukuran kinerja kerja guru adalah sebagai berikut :
1. Sistem Operasi : Minimal Windows 7 2. Aplikasi : Orange
3.4 Hasil Pengujian
Berikut ini merupakan tampilan output sebagai pengujian dari perangkat lunak untuk mengelompokkan masyarakat dengan ekonomi yang bawah pada Kecamatan Medan Area.
1. Data Selection Process
Pada tahap ini, hanya pemilihan data yang dilakukan karena tidak ada dataset populasi dengan nilai yang hilang dalam data. Nilai yang hilang dalam data instance mengganggu proses klasifikasi.
Gambar 3. Proses Pemilihan Data Menggunakan Widget 2. Data Mining Process
Untuk menganalisis model klasifikasi pada orange tools, maka dilakukan perbandingan beberapa metode data mining untuk memilih metode terbaik dengan akurasi yang tinggi. Untuk mengklasifikasikan dataset dalam pengelompokkan masyarakat dengan ekonomi bawah di Kecamatan Medan Area dapat terlihat pada gambar 4 di bawah ini.
Gambar 4. Design Widget Model Klasifikasi 3. Proses Pengujian Model Klasifikasi
Dalam melakukan proses model klasifikasi yang telah dibuat sebelumnya, maka dibutuhkan suatu kumpulan data uji untuk dapat mengetahui hasil klasifikasi tersebut. Untuk pengujian model klasifikasi maka dapat terlihat seperti
gambar 5 di bawah ini.
Gambar 5. Design Widget Model Klasifikasi dataset 4. Proses Evaluasi Hasil Perbandingan Model Klasifikasi
Proses membandingkan model klasifikasi dengan pengujian dan evaluasi digunakan untuk menghitung tingkat keberhasilan setiap model klasifikasi. Untuk proses evaluasi dapat terlihat seperti gambar 6 di bawah ini.
Gambar 6. Menghitung Keberhasilan Model Klasifikasi 5. Hasil Widget Test dan Score
Berikut ini merupakan hasil test dan score seperti yang terlihat pada gambar 7 berikut ini
Gambar 7. Hasil Widget Test dan Score
4. KESIMPULAN
Berdasarkan penelitian yang telah dilakukan oleh penulis mengenai Algoritma Clustering K-NN Untuk Mengklasifikasi Warga Yang Layak Mendapatkan Bantuan Sosial berdasarkan tingkat ekonomi keluarga di Kecamatan Medan Area, maka dapat diambil kesimpulan sebagai berikut:
1. Dengan adanya pengelompokkan masyarakat berdasarkan ekonomi keluarga maka dapat dengan mudah melihat data-data masyarakat yang berekonomi bawah, ekonomi menengah atau ekonomi atas.
2. Metode Algoritma Clustering K-NN memiliki kinerja yang sangat baik dan akurat dalam proses pengelompokkan data-data khususnya pengelompokkan data berdasarkan ekonomi keluarga.
3. Berdasarkan hasil pengujian yang dilakukan maka fold cross validation didapatkan nilai akurasi sebesar 90%.
REFERENCES
[1] M. Tindangen, D. S. M. Engka, and P. C. Wauran, “PERAN PEREMPUAN DALAM MENINGKATKAN EKONOMI KELUARGA (STUDI KASUS: PEREMPUAN PEKERJA SAWAH DI DESA LEMOH BARAT KECAMATAN TOMBARIRI TIMUR KABUPATEN MINAHASA).,” J. Berk. Ilm. Efisiensi, vol. 20, no. 03, 2020.
[2] I. Sofi, “Efektivitas Bantuan Langsung Tunai Dana Desa Dalam Pemulihan Ekonomi Di Desa,” Indones. Treas. Rev. J.
Perbendaharaan, Keuang. Negara dan Kebijak. Publik, vol. 6, no. 3, pp. 247–262, 2021.
[3] E. Y. S. Ritno, N. A. Hasibuan, and F. Fadlina, “IMPLEMENTASIALGORITMA CLASIFICATION ANDREGRESSION TREES (CART) DALAM KLASIFIKASI EKONOMI KELUARGA PADA DESADAGANG KELAMBIR TG.
MORAWA,” Inf. dan Teknol. Ilm., vol. 6, no. 1, pp. 60–65, 2019.
[4] P. S. Ramadhani, “PROGRAM STUDI EKONOMI ISLAM FAKULTAS EKONOMI DAN BISNIS ISLAM UIN WALISONGO SEMARANG.”
[5] F. Kurnia, J. Kurniawan, and I. Fahmi, “Klasifikasi Keluarga Miskin Menggunakan Metode K-Nearest Neighbor Berbasis Euclidean Distance,” in Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI), 2019, vol. 11, pp.
230–239.
[6] N. Nurvina, “Peran Perempuan sebagai Penopang Ekonomi Keluarga di Desa Palangka Kecamatan Sinjai Selatan Perspektif Hukum Islam.” Universitas Islam Negeri Alauddin Makassar, 2019.
[7] A. M. Argina, “Penerapan Metode Klasifikasi K-Nearest Neigbor pada Dataset Penderita Penyakit Diabetes,” Indones. J.
Data Sci., vol. 1, no. 2, pp. 29–33, 2020.
[8] H. B. Suhartini, “Klasifikasi Algoritma K-Nearest Neighbor Berbasis Particle Swarm Optimization Untuk Kelayakan Bantuan Rehabilitasi Rumah Tidak Layak Huni Pada Desa Lenek Duren Kecamatan Aikmel Kabupaten Lombok Timur Suhartini1, Hariman,” vol, vol. 2, pp. 79–85, 2019.
[9] Y. R. Kaesmetan and M. Y. Taek, “Penentuan Penerima Beras Raskin di Kelurahan Oesapa Barat Menggunakan Metode K-Nearest Neighbor (KNN),” J. Teknol. Terpadu, vol. 2, no. 2, 2016.
[10] I. W. Supriana and L. G. Astuti, “Implementasi K-Nearest Neighbor Pada Penentuan Keluarga Miskin Bagi Dinas Sosial Kabupaten Tabanan,” J. Teknol. Inf. dan Komput, vol. 5, no. 1, pp. 120–129, 2019.
[11] F. Liantoni, “Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor,” Ultim. J. Tek.
Inform., vol. 7, no. 2, pp. 98–104, 2015.
[12] D. M. Midyanti, R. Hidyati, S. Bahri, and U. T. Pontianak, “Rumah Di Kota Pontianak,” vol. 4, no. 2, pp. 119–124, 2019.
[13] T. He, “A NOVEL EDAS BASED METHOD FOR MULTIPLE,” vol. 26, no. 6, pp. 1125–1138, 2020.
