MODEL KLASTERISASI DATA PENDUDUK MENGGUNAKAN ALGORITMA K-MEANS UNTUK MENGETAHUI PRIORITAS PENERIMA BANTUAN SOSIAL DI DESA BAPINANG HULU
Abstract
Kalimantan Tengah memiliki jumlah penduduk miskin sebanyak 140,04 ribu jiwa dengan persentase penduduk miskin 5,16%. Angka keparahan kemiskinan mencapai nilai 0,15, dengan garis kemiskinan sebesar 506.982 Rp/Kapita/Bulan. Desa Bapinang Hulu di Kalimantan Tengah memiliki sekitar ±428.895 jiwa pada tahun 2021. Jumlah penduduk yang besar ini menyulitkan penentuan prioritas penerima bantuan sosial, ditambah keterbatasan sumber daya manusia di kantor desa. Pengumpulan data penerima bantuan sosial masih dilakukan berdasarkan usulan ketua RT tanpa validasi tepat, sering menimbulkan kecemburuan sosial. Penelitian ini bertujuan mengoptimalkan penyaluran bantuan sosial di Desa Bapinang Hulu menggunakan algoritma K-Means untuk pengelompokan data penduduk. Dataset terdiri dari 246 record dengan 14 atribut yang mencerminkan kondisi kepala keluarga di desa tersebut. Algoritma K-Means dipilih karena kemampuannya mengelompokkan data berdasarkan kemiripan atribut. Pengujian dilakukan 12 kali dengan variasi nilai K untuk menentukan klasterisasi optimal. Hasil menunjukkan bahwa pada pengujian ke-12 dengan nilai K=13, diperoleh nilai Davies-Bouldin Index (DBI) terendah sebesar 0,072. Ini menunjukkan klasterisasi pada K=13 optimal dalam hal pemisahan antar klaster dan kepadatan dalam klaster. Klasterisasi membantu mengidentifikasi kelompok masyarakat yang paling membutuhkan bantuan sosial, memberikan rekomendasi yang lebih akurat untuk prioritas penerima bantuan sosial, sehingga penyaluran bantuan lebih tepat sasaran dan efektif.
References
[2] W. Wu, W. Wang, X. Jia, and X. Feng, “Transformer Autoencoder for K-means Efficient clustering,” Eng. Appl. Artif. Intell., vol. 133, no. F, p. 108612, Jul. 2024, doi: 10.1016/j.engappai.2024.108612.
[3] A. Ramadhan, K. Prawita, M. A. Izzudin, and G. Amandha, “Analisis strategi dan klasterisasi ketahanan pangan nasional dalam menghadapi pandemi covid-19,” Teknol. Pangan Media Inf. dan Komun. Ilm. Teknol. Pertan., vol. 12, no. 1, 2021, doi: 10.35891/tp.v12i1.2179.
[4] N. Nurahman and D. Dwi Aulia, “Algoritma K-Means Untuk Melihat Penularan Tertinggi Virus Covid-19 Diseluruh Provinsi Indonesia,” 2021. doi: https://doi.org/10.36050/betrik.v12i2.331.
[5] W. Zhang and Z. Wu, “E-commerce recommender system based on improved K-means commodity information management model,” Heliyon, vol. 10, no. 9, pp. 1–11, May 2024, doi: 10.1016/j.heliyon.2024.e29045.
[6] A. N. Ulfah, “Analisis Kinerja Algoritma Fuzzy C-Means dan K-Means pada Data Kemiskinann,” Jatisi, vol. 1, no. 2, 2018.
[7] R. Granillo-Macías, “Logistics optimization through a social approach for food distribution,” Socioecon. Plann. Sci., vol. 76, 2021, doi: 10.1016/j.seps.2020.100972.
[8] Q. Zhou and B. Sun, “Adaptive K-means clustering based under-sampling methods to solve the class imbalance problem,” Data Inf. Manag., 2024, doi: 10.1016/j.dim.2023.100064.
[9] N. Nurahman and N. A. Tanjung, “Clustering Village Development in West Java Province on the Condition of Developing Village Strata Using K-Means Algorithm,” J. Penelit. Pendidik. IPA, vol. 9, no. SpecialIssue, 2023, doi: 10.29303/jppipa.v9ispecialissue.5937.
[10] N. Nurahman and D. D. Aulia, “Klasterisasi Pendidikan Masyarakat Untuk Mengetahui Daerah Dengan Pendidikan Terendah Menggunakan Algoritma K-Means,” J. Inform. dan Rekayasa Perangkat Lunak, vol. 5, no. 1, 2023, doi: 10.36499/jinrpl.v5i1.7510.
[11] W. Warisa and N. Nurahman, “Perbandingan Performa Cluster Model Algoritma K-Means Dalam Mengelompokkan Penerima Bantuan Program Keluarga Harapan,” J. Sist. Info. Bisnis, vol. 13, no. 1, 2023, doi: 10.21456/vol13iss1pp20-28.
[12] N. Nurahman and J. Susanto, “Klasterisasi Data Penerima Bantuan Langsung Tunai Menggunakan Algoritma K-Means,” JURIKOM (Jurnal Ris. Komputer), vol. 10, no. 2, 2023, doi: 10.30865/jurikom.v10i2.5807.
[13] W. Gong, L. Pang, J. Wang, M. Xia, and Y. Zhang, “A social-aware K means clustering algorithm for D2D multicast communication under SDN architecture,” AEU - Int. J. Electron. Commun., vol. 132, 2021, doi: 10.1016/j.aeue.2021.153610.
[14] V. D. Ferezagia, “Analisis Tingkat Kemiskinan di Indonesia,” J. Sos. Hum. Terap., vol. 1, no. 1, pp. 1–6, Dec. 2018, doi: 10.7454/jsht.v1i1.6.
[15] D. Ardiansyah, W. Suharso, and G. I. Marthasari, “Analisis Penerima Bantuan Sosial menggunakan Bayesian Belief Network,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 2, no. 2, 2018, doi: 10.29207/resti.v2i2.447.
[16] S. R. Nasution, Mesran, S. Aripin, and M. Sianturi, “Sistem Pendukung Keputusan Prioritas Lokasi Perbaikan Jalan Dengan Metode Preference Selection Index (PSI) (Studi Kasus : Dinas Bina Marga),” Pelita Inform. Inf. dan Inform., vol. 10, no. 1, 2021.
[17] L. Maulida, “Penerapan Data Mining Dalam Mengelompokkankunjungan Wisatawan ke Objek Wisata Unggulan di Prov. DKI Jakarta Dengan K-Means,” J. Inform. Sunan Kalijaga), vol. 2, no. 3, pp. 167–174, 2018.
[18] M. Ahmed, R. Seraj, and S. M. S. Islam, “The k-means algorithm: A comprehensive survey and performance evaluation,” Electronics (Switzerland), vol. 9, no. 8. MDPI AG, pp. 1–12, Aug. 01, 2020. doi: 10.3390/electronics9081295.
[19] S. Yunita and V. N. Alaeyda, “Penerapan Algoritma C4.5 Untuk Prediksi Penerimaan Beasiswa di SD 4 Pelangsian,” ICIT J., vol. 8, no. 2, pp. 181–193, Aug. 2022, doi: 10.33050/icit.v8i2.2408.
[20] S. Yunita and N. Nurahman, “Metode Klasifikasi Data Mining Algoritma C4.5 dan PART Untuk Prediksi Waktu Kelulusan Mahasiswa di Universitas Darwan Ali,” J. Inf. Interaktif, vol. 7, no. 1, pp. 1–7, 22AD.
[21] E. Wahyu Sholeha, S. Yunita, R. Hammad, V. Cahya Hardita, and K. Kaharuddin, “Analisis Sentimen Pada Agen Perjalanan Online Menggunakan Naïve Bayes dan K-Nearest Neighbor,” JTIM J. Teknol. Inf. dan Multimed., vol. 3, no. 4, pp. 203–208, Feb. 2022, doi: doi.org/10.35746/jtim.v3i4.178.
