Skip to main content Skip to main navigation menu Skip to site footer
IJESPG
Articles
DOI: 10.26638/ijespg.v1i3.55
Published: 2023-09-04

Klasterisasi Data Penduduk Untuk Penerimaan Bantuan Pangan Non Tunai (BPNT) Menggunakan K-Means (Studi Kasus : Desa Tanimulya Bandung Barat)

Universitas Jenderal Achmad Yani
Universitas Jenderal Achmad Yani
Universitas Jenderal Achmad Yani
Data Penduduk Klasterisasi Klaster Bantuan Pangan Non Tunai (BPNT)

Abstract

Dalam perkembangan yang terjadi di masyarakat desa tanimulya yang pesat terdapat pula pembagian beberapa kelompok masyarakat yang di golongkan dalam hal perekonomiannya untuk golongan yang masuk dalam kalangan menengah keatas dan menengah munkin dapat bertahan dan terus berkembang, sedangkan untuk yang masuk dalam golongan kebawah, memerlukan bantuan dari orang lain, bantuan yang di butuhkan sudah di berikan, namun pembagian dari bantuan pangan non tunai (BPNT) ini, pemberiannya belum merata dan efektif,mengapa terjadi seperti itu karena data penduduk yang digunakan belum cukup mendukung untuk pembagian yang merata dan masih manual, oleh karena itu diperlukan sebuah sistem pengklusteran yang dimana nanti disesuaikan dengan aturan atau kategori yang sudah ada untuk mengelompokan masyrakat agar nantinya penyalurannya bantuan dapat lebih maksimal lagi, klusterisasi yang merupakan sebuah proses untuk mengelompokan data kedalam beberapa kluster dimanadi data dalam kluster memiliki kemiripan dengan sesama nya, data penduduk yang sudah di olah nantinya diharapkan dapat membantu dalam program bantuan pangan non tunai (BPNT) yang dijalankan saat ini.

 

 

References

  1. ASRONI, HIDAYATUL FITRI, EKO PRASETYO. "Penerapan Metode Clustering dengan Algoritma K-Means pada Pengelompokkan Data Calon Mahasiswa Baru di Universitas Muhammadiyah Yogyakarta (Studi Kasus: Fakultas Kedokteran dan Ilmu Kesehatan, dan Fakultas Ilmu Sosial dan Ilmu Politik)." SEMESTA TEKNIKA, 2018.
  2. Castaka Agus Sugianto, Firdi Rizky Maulana. "Algoritma Naïve Bayes Untuk Klasifikasi Penerima Bantuan Pangan Non Tunai (Studi KasusKelurahan Utama )." Techno.COM, 2019.
  3. Fatmawati, Kiki. N.D. "Data Mining: Penerapan Rapidminer Dengan K-Means Klaster Pada Daerah Terjangkit Demam Berdarah Dengue (Dbd) Berdasarkan Provinsi." Cess (Journal Of Computer Engineering System And Science), n.d.
  4. Haditsha. "Penerapan Data Mining Menentukan Strategi Penjualan Variasi Pakaian Menggunakan Metode K-Means Clustering." JURNAL INFORMATIKA UPGRIS VOL 5, 2019.
  5. Helvine Gultom, Paulus Kindangen,George M.V. Kawung. "ANALISIS PENGARUH PROGRAM BANTUAN PANGAN NON TUNAI (BPNT) DAN PROGRAM KELUARGA HARAPAN (PKH) TERHADAP KEMISKINAN DI KABUPATEN MINAHASA TENGGARA." Pembanguan Ekonomi dan Keuangan Daerah, 2020.
  6. Hendro Priyatman, Fahmi Sajid,Dannis Haldivany. "Klasterisasi Menggunakan Algoritma K-Means Clustering untuk Memprediksi Waktu Kelulusan Mahasiswa." Edukasi dan Penelitian Informatika, 2019.
  7. Rofiqo, Nurul. "Penerapan Clustering Pada Penduduk Yang Mempunyai Keluhan Kesehatan Dengan Datamining K-Means." Komik (Konferensi Nasional Teknologi Informasi Dan Komputer), 2018.
  8. Saut Parsaoran Tamba, Felix Toknady Kesuma, Feryanto. "Penerapan Data Mining Untuk Menentukan Penjualan Sparepart Toyota Dengan Metode K-Means Clustering." Jurnal Sistem Informasi Ilmu Komputer Prima (Jusikom Prima), 2019: 67-72.
  9. Sulton Ghousi Pratama, Ali Mahmudi,Sentot Achmadi. "KLASIFIKASI PENENTUAN PENERIMA BANTUAN PANGAN NON TUNAI MENGGUNAKAN METODE K-MEANS CLUSTERING." JATI(Jurnal Mahasiswa Teknik Informatika), 2020.
  10. Tampubolon, Kennedi. "Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan." Informasi Dan Teknologi Ilmiah (Inti), 2016.
  11. Windarto, Agus Perdana. "Penerapan Data Mining Pada Ekspor Buah-Buahan Menurut Negara Tujuan Menggunakan K-Means." Techno.Com, 2017: 348-357 348-249.
  12. B. M. Metisen And H. L. Sari, “Analisis Clustering Menggunakan Metode K-Means Dalam Pengelompokkan Penjualan Produk Pada Swalayan Fadhila,” J. Media Infotama, Vol. 11, No. 2, Pp. 110–118, 2015
  13. W. A. N. G. Zhao-Yi, H. U. A. N. G. Zheng-De, Y. A. N. G. Ping, R. E. N. Ting, and L. I. Xin-Hui, “Regularity of Wind-dispelling Medication Prescribed by LI Dong-Yuan: A Data Mining Technology-based Study,” Digit. Chinese Med., vol. 3, no. 1, pp. 20–33, 2020, doi: 10.1016/j.dcmed.2020.03.003
  14. . Y. Wautelet, “Using the RUP/UML business use case model for service development governance: A business and IT alignment based approach,” Proc. - 2020 IEEE 22nd Conf. Bus. Informatics, CBI 2020, vol. 2, pp. 121–130, 2020, doi: 10.1109/CBI49978.2020.10069.
  15. C. Djaoui, E. Kerkouche, K. Khalfaoui, and A. Chaoui, “A graph transformation approach to generate analysable maude specifications from UML interaction overview diagrams,” Proc. - 2018 IEEE 19th Int. Conf. Inf. Reuse Integr. Data Sci. IRI 2018, pp. 511–517, 2018, doi: 10.1109/IRI.2018.00081.
  16. M. Bhuiyan, “Integration of Organisational Models and UML Use Case,” J. Comput., vol. 13, no. 1, pp. 1–17, 2018, doi: 10.17706/jcp.13.1.1-17.
  17. T. A. Kurniawan, “Pemodelan Use Case (UML): Evaluasi Terhadap beberapa Kesalahan dalam Praktik,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 1, p. 77, 2018, doi: 10.25126/jtiik.201851610.
  18. M. Elsayed, N. Elkashef, and Y. F. Hassan, “Mapping UML sequence diagram into the web ontology language OWL,” Int. J. Adv. Comput. Sci. Appl., vol. 11, no. 5, pp. 318–326, 2020, doi: 10.14569/IJACSA.2020.0110542.
  19. M. H. L. Vo and Q. Hoang, “Transformation of uml class diagram into owl ontology,” J. Inf. Telecommun., vol. 4, no. 1, pp. 1–16, 2020, doi: 10.1080/24751839.2019.1686681.
  20. R. Nainggolan, R. Perangin-Angin, E. Simarmata, and A. F. Tarigan, “Improved the Performance of the K-Means Cluster Using the Sum of Squared Error (SSE) optimized by using the Elbow Method,” J. Phys. Conf. Ser., vol. 1361, no. 1, 2019, doi: 10.1088/1742-6596/1361/1/012015.
  21. T. K. Barik and V. A. Centeno, “K-Medoids Clustering of Setting Groups in Directional Overcurrent Relays for Distribution System Protection,” 2020 IEEE Kansas Power Energy Conf. KPEC 2020, 2020, doi: 10.1109/KPEC47870.2020.9167531.
  22. J. Zhou, Y. Pan, C. L. P. Chen, D. Wang, and S. Han, “K-medoids method based on divergence for uncertain data clustering,” 2016 IEEE Int. Conf. Syst. Man, Cybern. SMC 2016 - Conf. Proc., pp. 2671–2674, 2017, doi: 10.1109/SMC.2016.7844643.
  23. H. B. Zhou and J. T. Gao, “Automatic method for determining cluster number based on silhouette coefficient,” Adv. Mater. Res., vol. 951, pp. 227–230, 2014, doi: 10.4028/www.scientific.net/AMR.951.227.
  24. S. Luan, X. Kong, B. Wang, Y. Guo, and X. You, “Silhouette coefficient based approach on cell-phone classification for unknown source images,” IEEE Int. Conf. Commun., pp. 6744–6747, 2012, doi: 10.1109/ICC.2012.6364928

How to Cite

Suhardinata, D., Ningsih, A. K., & Kasyidi, F. (2023). Klasterisasi Data Penduduk Untuk Penerimaan Bantuan Pangan Non Tunai (BPNT) Menggunakan K-Means (Studi Kasus : Desa Tanimulya Bandung Barat). IJESPG (International Journal of Engineering, Economic, Social Politic and Government), 1(3), 221–228. https://doi.org/10.26638/ijespg.v1i3.55