ix ABSTRAK
ENDRATUL KHOIR FIKA LESTARI (16180086), PENERAPAN METODE K-MEANS PENGELOMPOKAN CALON PENERIMA BANTUAN SOSIAL DI DESA LEMBERANG
Pada Pemerintahan Desa Lemberang, terdapat salah satu jabatan yang bertugas melayani masyarakat. Jabatan itu adalah Seksi Kesejahteraan dan Pemberdayaaan (Kesdaya). Selama ini bagian Kesdaya belum mempunyai metode atau teknik tertentu untuk mengelompokkan maysrakat penerima bantuan agar tepat sasaran.
Oleh sebab itu, pengelompokkan kemiskinan dapat membantu mencegah ketidaktepatsasaran dalam penerimaan bantuan sosial. Maka, peneliti menerapkan metode K-Means dengan bantuan sofware Rapidmaner versi 5 yang dibuat dengan 4 cluster. Dari perhitungan Davies Bouldin Index dalam Performance Vector di software Rapidmaner menghasilkan nilai 0,07 dimana apabila nilai makin mendekati 0 (nol) maka data akan semakin baik. Dari hasil perhitungan diperoleh 101 data pada cluster pertama yang nantinya akan mendapatkan bantuan Rastra, 165 data pada cluster kedua dan 46 data pada cluster ketiga yang akan mendapatkan bantuan PKH (Program Keluarga Harapan) yang nantinya akan diseleksi lagi kemudian yang terahir dengan jumlah 85 data pada cluster keempat yang akan mendapatkan Bantuan Pangan Non Tunai.
Kata Kunci: Data Mining, K-Means, Bantuan Sosial, Kemiskinan
x ABSTRACT
ENDRATUL KHOIR FIKA LESTARI (16180086), THE APPLICATION OF THE K-MEANS METHOD FOR GROUPING POTENTIAL SOCIAL ASSISTANCE RECIPIENTS IN THE VILLAGE OF LEMBERANG
In the Lemberang Village Government, there is one office which is in charge of serving the community. The position is named Seksi Kesejahteraan dan Pemberdayaan (Kesdaya).. Therefore, poverty grouping can assist Lemberang Village Goverment in making the right decission to prevent the inaccuracies of recipient of social assistance. In this research, application of the k-means clustering method implemented on rapidmaner software version 5 made with 4 clusters. Of the accounting Devies Bouldin Index in the software work at the software Rapidmaner gives the value of 0,07, if the value is closer to 0 (zero), the data will be more valuable. From the calculation results obtained 101 data in the first cluster will get Rastra’s help, 165 data in the second cluster and 46 data in the third cluster will get PKH help and the last 85 data in the fourth cluster will get BPNT help.
Keywords: Data Mining, K-Means, Social Assistance, Poverty
