• Tidak ada hasil yang ditemukan

Perbandingan Klasterisasi Data Indikator Kemiskinan menggunakan Metode K-Means dan K-Medoids di Provinsi Jawa Tengah Tahun 2021 - Repository Universitas Jenderal Soedirman

N/A
N/A
Protected

Academic year: 2024

Membagikan "Perbandingan Klasterisasi Data Indikator Kemiskinan menggunakan Metode K-Means dan K-Medoids di Provinsi Jawa Tengah Tahun 2021 - Repository Universitas Jenderal Soedirman"

Copied!
3
0
0

Teks penuh

(1)

63

DAFTAR PUSTAKA

Aggarwal, C. C., dan Reddy, C. K. (2013). Data Clustering Algorithms and Applications. Florida: CRC Press.

Badan Pusat Statistik. (2022). Presentase Penduduk Miskin September

2021 Turun menjadi 9,71 Persen.

https://www.bps.go.id/pressrelease/2022/01/17/1929/persentase-penduduk- miskin-september-2021-turun-menjadi-9-71-persen.html. Diakses pada 15 Oktober 2022).

Badan Pusat Statistik. (2023). Statistik Indonesia 2023. Jakarta: Badan Pusat Statistik.

Bunkers, M. J., Miller, J. R., dan DeGaetano,. T. (1996). Definition of climate regions in the northern plains using an objective cluster modification technique. Journal of Climate, 9(1), 130–146.

Dariwardani, N. M. I. (2014). Analisis Dinamika Kemiskinan (Poverty Dynamics) di Bali Berdasarkan Data Susenas Panel 2008 – 2010. Jurnal Ekonomi Kuantitatif Terapan, 7(1), 7–15.

Ediyanto, Mara, N., dan Satyahadewi, N. (2013). Pengklasifikasian Karakteristik Dengan Metode K-Means Cluster Analysis. Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster), 02(2), 133–136.

Ghozali, I. (2011) Aplikasi Analisis Multivariate dengan Program IBM SPSS 19.

Semarang: Badan Penerbit Universitas Diponegoro.

Ghozali, I. (2013) Aplikasi Analisis Multivariate dengan Program IBM SPSS 19.

Update PLS Regresi (7th ed.). Semarang: Badan Penerbit Universitas Diponegoro.

Goreti, M., Novia, Y., dan Wahyningsih, S. (2016). Perbandingan Hasil Analisis Cluster dengan Menggunakan Metode Single Linkage dan Metode C-Means (Studi Kasus: Data Tingkat Kualitas Udara Ambien pada Perusahaan Perkebunan di Kabupaten Kutai Barat Tahun 2014). Jurnal EKSPONENSIAL, 7(1), 9-16.

Gujarati, D. N. (2003). Basic Econometrics (4th ed.). McGraw-Hill/Irwin.

Han, J., dan Kamber, M. (2006). Data Mining: Concepts and Techniques (Second

(2)

64

edi). Cambridge: Morgan Kaufmann Publishers.

Kamila, I., Khairunnisa, U., dan Mustakim, M. (2019). Perbandingan Algoritma K- Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau. Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi, 5(1), 119.

Lukmawan, V. (2020). Analisis pengaruh jumlah penduduk, pendidikan, pengangguran, dan kesehatan terhadap kemiskinan (studi kasus di jawa tengah 2014 -2018). Jurnal Ilmiah Universitas Brawijaya.

Luthfi, E., dan Wijayanto, A. W. (2021). Analisis perbandingan metode hierarchical, k-means, dan k-medoids clustering dalam pengelompokan indeks pembangunan Indonesia. Journal of Economics and Bussiness, 17(4), 761–773.

Marlina, D., Lina, N., Fernando, A., dan Ramadhan, A. (2018). Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokan Wilayah Sebaran Cacat pada Anak. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer Dan Teknologi Informasi, 4(2), 64.

Nugroho, S. (2008). Statistika Mutivariat Terapan. Bengkulu: UNIB Press.

Putriani, P., Junaidi, dan Edi, J. K. (2018). Pengaruh pertumbuhan ekonomi, pendidikan dan kesehatan terhadap tingkat kemiskinan di Kota Jambi Periode 2004-2017. Jurnal Pendidikan Dan Ekonomi, 7(1), 33–41.

Putu, N., Merliana, E., dan Santoso, A. J. (2015). Analisa Penentuan Jumlah Cluster Terbaik pada Metode K-Means. Prosiding Seminar Nasional Multi Disiplin Ilmu and Call For Papper UNISBANK. 978–979.

Pramesti, D. F., Furqon, M. T., dan Dewi, C. (2017) Implementasi Metode K- Medoids Clustering Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik (Hotspot). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer E-ISSN, 1(9) 732.

Ramadhani, L., Purnamasari, I., & Amijaya, F. D. T. (2018). Penerapan Metode Complete Linkage dan Metode Hierarchical Clustering Multiscale Bootstrap (Studi Kasus: Kemiskinan di Kalimantan Timur Tahun 2016). Eksponensial, 9(2016), 1–10.

Saputra, A. W. (2011). Analisis Pengaruh Jumlah Penduduk, PDRB, IPM,

(3)

65

Pengangguran Terhadap Tingkat Kemiskinan di Kabupaten / Kota Jawa Tengah. Jurnal Ekonomi Pembangunan, 93.

Silvi, R. (2018). Analisis Cluster dengan Data Outlier Menggunakan Centroid Linkage dan K-Means Clustering untuk Pengelompokan Indikator HIV / AIDS di Indonesia. Jurnal Matematika "MANTIK", 04(01), 22–31.

Suadnyani, N. W. R., dan Darsana, I. B. (2018). Pengaruh Pertumbuhan Ekonomi, Pengangguran Dan Pendidikan Terhadap Kemiskinan di Kabupaten Bangli. E- Jurnal Ekonomi Pembangunan Universitas Udayana, 7(5), 1022–1049.

Susanti, Y. H., dan Widodo, E. (2017). Perbandingan K-Means dan K-Medoids Clustering terhadap Kelayakan Puskesmas di DIY Tahun 2015. Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika Dan Nilai Islami), 1(1), 116–

122.

Usmadi, U. (2020). Pengujian Persyaratan Analisis (Uji Homogenitas Dan Uji Normalitas). Inovasi Pendidikan, 7(1), 50–62.

Vercellis, C. (2009). Business Intelligence: Data Mining and Optimization for Decision Making. Milano: John and Sons Ltd.

Wu, X., dan Kumar, V. (2009). The Top Ten Algorithms in Data Mining, Chapman and Hall/CRC. Journal of Physics A: Mathematical and Theoretical (Vol. 44, Issue 8).

Referensi

Dokumen terkait

Dari data yang sama ingin dibandingkan hasil penggerombolan dengan metode k-means, metode fuzzy k- means, dan metode two step cluster yang akan memberikan penggerombolan

Pamungkas, A., 2010, Perbandingan Distance Space Manhattan(Cityblock) dengan Ecludiean pada Algoritma K-Means Clustering Studi Kasus : Data Balita di Wilayah

Pusat cluster centroid awal yang digunakan untuk memulai proses clustering dengan metode K- Means diperoleh dengan cara membangkitkan secara random dari data yang telah diinputkan..

3.4 Perbandingan Hasil nilai Si dan DBI Metode K-Means dengan Metode K-Means Optimasi Jumlah Cluster dengan PSO Pada tahap ini dilakukan perbandingan hasil Silhouette Coefficient

Hasil cluster pemetaan tingkat kemiskinan di provinsi jawa tengah berdasarkan kabupaten/ kota menggunakan metode k-medoids a-b Pada gambar 8a merupakan hasil Text view pada RapidMiner

SIMPULAN Metode terbaik yang diperoleh berdasarkan perbandingan rasio simpangan baku di dalam cluster sw terhadap rasio simpangan baku antar cluster sb terkecil yaitu algoritma

Dengan menggunakan analisis cluster yaitu metode K-Means Cluster, mengelompokan Kabupaten/Kota di Provinsi Jawa Tengah berdasarkan data kemiskinan yaitu data jumlah penduduk miskin,

Perbandingan DBI setelah maximize dan Normalize Dapat dilihat pada Gambar 11 bahwa Davies-Bouldin Index DBI K-Means yang paling optimal pada pemodelan dan evaluasi ini adalah 0.005,