Implementasi Data Mining Dalam Mengelompokkan Data penduduk Kurang Mampu Menggunakan Metode K-Means Clustering

Arisman Waruwu, Milfa Yetri, F. Setiawan
{"title":"Implementasi Data Mining Dalam Mengelompokkan Data penduduk Kurang Mampu Menggunakan Metode K-Means Clustering","authors":"Arisman Waruwu, Milfa Yetri, F. Setiawan","doi":"10.53513/jursi.v2i6.8965","DOIUrl":null,"url":null,"abstract":"Penduduk kurang mampu merupakan permasalahan bangsa yang sangat mendesak dan sering kali di tandai dengan tingginya tingkat pengangguran dan keterbelakangan. Salah satu aspek penting untuk mendukung langkah – langkah penanggulangan  dalam penanganan penduduk kurang mampu, pemerintah dapat juga melakukan evaluasi kebijakannya terhadap penduduk serta membandingkan data penduduk kurang mampu antar waktu dan daerah serta menentukan targetnya agar dapat bisa menyelesaikan  masalah yang di alami  penduduk. Data mining merupakan istilah dari pattern recognition merupakan metode yang di gunakan untuk pengelolaan data yang akan di gunakan, untuk menemukan pola yang tersembunyi dari pengelolaan data. Algoritma K-Means merupakan salah satu metode yang menggunakan konsep descriptive dan dapat digunakan untuk menerapkan suatu algoritma dalam penentuan suatu objek kedalam cluster tertuntu. Hasil penelitian ini bermanfaat bagi Desa Hiliwaele II dan dapat dikategorikan sebagai suatu proses pengelompokkan record, observasi, atau mengelompokkan data yang memiliki kesamaan objek, dengan klasifikasi tidak ada variabel target dalam melakukan pengelompokan pada proses clustering.","PeriodicalId":408115,"journal":{"name":"Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)","volume":"18 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2023-11-16","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.53513/jursi.v2i6.8965","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0

Abstract

Penduduk kurang mampu merupakan permasalahan bangsa yang sangat mendesak dan sering kali di tandai dengan tingginya tingkat pengangguran dan keterbelakangan. Salah satu aspek penting untuk mendukung langkah – langkah penanggulangan  dalam penanganan penduduk kurang mampu, pemerintah dapat juga melakukan evaluasi kebijakannya terhadap penduduk serta membandingkan data penduduk kurang mampu antar waktu dan daerah serta menentukan targetnya agar dapat bisa menyelesaikan  masalah yang di alami  penduduk. Data mining merupakan istilah dari pattern recognition merupakan metode yang di gunakan untuk pengelolaan data yang akan di gunakan, untuk menemukan pola yang tersembunyi dari pengelolaan data. Algoritma K-Means merupakan salah satu metode yang menggunakan konsep descriptive dan dapat digunakan untuk menerapkan suatu algoritma dalam penentuan suatu objek kedalam cluster tertuntu. Hasil penelitian ini bermanfaat bagi Desa Hiliwaele II dan dapat dikategorikan sebagai suatu proses pengelompokkan record, observasi, atau mengelompokkan data yang memiliki kesamaan objek, dengan klasifikasi tidak ada variabel target dalam melakukan pengelompokan pada proses clustering.
利用 K-Means 聚类法对贫困人口数据进行聚类的数据挖掘实施方案
贫困人口是一个紧迫的国家问题,其特点往往是高失业率和欠发达。作为处理贫困人口问题的对策支持的重要方面之一,政府还可以评估其对贫困人口的政策,并比较不同时间和地区的贫困人口数据,确定目标,以便能够解决贫困人口遇到的问题。数据挖掘是模式识别的一个术语,是一种用于数据管理的方法,将用于从数据管理中发现隐藏的模式。K-Means 算法是一种使用描述性概念的方法,可用于应用算法将对象确定为最致命的聚类。这项研究的结果对希利韦勒二村很有用,可以归类为将记录、观察结果或具有相似对象的数据分组的过程,在聚类过程中没有目标变量的分类。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
求助全文
约1分钟内获得全文 求助全文
来源期刊
自引率
0.00%
发文量
0
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:604180095
Book学术官方微信