Aplikasi Kmeans Pengelompokan RMH Tangga Tseptioko Ha Parhusip Tmahatma

prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN
Economic Communities 2015, FEB, UKSW.
APLIKASI K-MEANS UNTUK PENGELOMPOKAN RUMAH

TANGGA DI SALATIGA BERDASARKAN DATA SUSENAS 20111
Tinus Septioko1, Hanna Arini Parhusip2, Tundjung Mahatma3
1
Mahasiswa Program Studi Matematika FSM UKSW
2,3
Dosen Program Studi Matematika FSM UKSW
e-mail : 662009010@student.uksw.edu1,hannaariniparhusip@yahoo.co.id2,
t.mahatma@gmail.com3
Abstrak
Survei sosial ekonomi nasional atau yang disebut Susenas adalah survei yang dilaksanakan
badan pusat statistik 4 kali dalam setahun. Susenas merupakan salah satu sumber data yang
diperlukan khususnya untuk perencanaan di bidang sosial ekonomi masyarakat. Susenas
mengumpulkan data yang menyangkut bidang pendidikan, kesehatan, perumahan, dan sosial
ekonomi lainnya. Keadaan ekonomi masyarakat dapat diketahui melalui hasil Susenas, jika tingkat
ekonomi masyarakat rendah tentunya pemerintah tidak boleh tinggal diam. Dari data Susenas
dapat diketahui rumah tangga ekonomi bawah, menengah, maupun ekonomi atas. Hasil ini dapat
digunakan untuk patokan pemberian bantuan kepada rumah tangga ekonomi bawah.
Pengelompokan ekonomi masyarakat dapat dilakukan dengan metode clustering, dimana
rumah tangga yang memiliki karakteristik yang mirip akan dikelompokkan ke dalam kelompok
yang sama. Untuk mendapatkan hasil cluster yang lebih cepat dan efisien maka pada penelitian
ini, dikembangkan aplikasi untuk mengelompokkan rumah tangga dari data Susenas di Salatiga
tahun 2011 triwulan 1 dan 2 berdasarkan tingkat ekonomi, yaitu rumah tangga ekonomi atas,
rumah tangga ekonomi menengah, dan rumah tangga ekonomi bawah. Pengelompokan data
dilakukan menggunakan metode k-means, yaitu dengan mengelompokkan n-buah objek dengan pdimensi ke dalam k-cluster berdasarkan jarak minimal masing-masing data ke pusat cluster.
Aplikasi yang dibangun diharapkan dapat membantu untuk tujuan pengelompokan data bagi
pihak-pihak yang membutuhkan.
Dari hasil penelitian terhadap 254 data sampel, diperoleh 3 kelompok rumah tangga
berdasarkan tingkat ekonomi, yaitu 25 rumah tangga ekonomi atas, 99 rumah tangga ekonomi
menengah, dan 130 rumah tangga ekonomi bawah. Rata-rata pendapatan rumah tangga yang
masuk dalam kategori rumah tangga ekonomi bawah berkisar antara 2 juta rupiah sampai 2.25
juta rupiah per bulan, sedangkan untuk pendapatan 2 kategori yang lain tentunya berada diatas
2.25 juta rupiah per bulan.
Kata kunci : Susenas, cluster, K-means, ekonomi.
Abstract
National socioeconomic survey called Susenas is a survey conducted statistical central body
four times a year. Susenas is one source of the data needed for planning particularly in the area of
socio-economic population. Susenas collect data on education, health, housing, social and
economic. The state of the economy can be seen through the Susenas, if the economic needs of low
government certainly should not stay silent. From the Susenas data it can be seen bottom economy
households, middle, and upper economy. These results can be used to benchmark the provision of
assistance to households who economy below.
Community economic grouping to do with the method of clustering, where by households
with similar characteristics will be grouped into the same group. To get the cluster more quickly
1
Penulis bersedia untuk berbagi data riset, data terlampir.
and efficiently so in this study, the application was developed to classify the data Susenas
households in Salatiga in 2011 quarter one and two based on an economic level, ie the upper
economy household, middle class household, and the bottom economy household. Grouping of
data is done using k-means clustering method, by classifying n-pieces with a p-dimensional objects
into k-clusters based on a minimum distance of each data to a cluster center. Applications built is
expected to help for the purpose of grouping the data for private need.
From the results of a study of 254 samples of the data, obtained by the three groups of
households based on an economic level, ie 25 upper economy households, 99 middle class
households, and 130 down economy household. The average household income in the lower
economic category of households ranged up 2 million to 2.25 million per month, while for the
other two categories of income must be above 2.25 million per month.
Key Words : Susenas, Cluster, K-means, Economy.
2002),
dalam
bidang
pendidikan
digunakan untuk memprediksi kualitas
akademik siswa (Oyelade et al. 2010),
Program
komputer
untuk
pengelompokan data banyak dijumpai,
namun program-program tersebut relatif
memiliki memori yang besar dan susah
dalam penggunaannya.
Dalam penelitian ini masalah yang
timbul adalah bagaimana membangun
aplikasi k-means yang dapat digunakan
untuk mengelompokkan rumah tangga
berdasarkan data Susenas Salatiga tahun
2011 triwulan 1 dan 2 berdasarkan
tingkat ekonomi. Hasil yang didapatkan
dapat digunakan untuk patokan dalam
pengambilan keputusan, misal sebagai
patokan untuk pemberian bantuan kepada
masyarakat seperti raskin, BLT, ataupun
bantuan yang lainnya. Tujuan dari
penelitian ini adalah membangun aplikasi
dengan
metode
k-means
untuk
mengelompokkan rumah tangga di
Salatiga berdasarkan data Susenas ke
dalam kriteria rumah tangga ekonomi
atas, rumah tangga ekonomi menengah,
dan rumah tangga ekonomi bawah. Pada
penelitian ini data yang digunakan
terbatas pada data Susenas dan pebuatan
program dilakukan dengan program
matlab R2009a.
Program ini berdasarkan pada
metode k-means clustering. K-means
merupakan salah satu metode clustering
non hirarki yang berusaha mempartisi
1. Pendahuluan
Pemberian
bantuan
untuk
masyarakat miskin sudah banyak
dilakukan, seperti raskin, BLT, dan
bantuan yang lainnya. Melalui survei
yang dilakukan BPS, yaitu Susenas dapat
diketahui perekonomian masyarakat.
Mencegah terjadinya salah sasaran
pemberian bantuan, maka dari data
perekonomian
masyarakat,
harus
dikelompokkan terlebih dahulu ke dalam
kelompok-kelompok ekonomi. Untuk
melakukan pengolahan data dapat
dilakukan dengan metode cluster.
Metode cluster adalah metode yang
digunakan untuk mengelompokkan data
ke dalam satu atau lebih kelompok yang
mempunyai karakteristik yang mirip.
Penghitungan
manual
akan
sulit
dilakukan mengingat data yang diolah
tidaklah sedikit. Penghitungan manual
yang lama dan rumit dapat diatasi dengan
adanya program komputer. Peran
komputer
sebagai
alat
bantu
pengelompokan data sangat menunjang
dalam kecepatan dan ketepatan hasil.
Dalam berbagai bidang, pengelompokan
data banyak digunakan dengan berbagai
tujuan.
Dalam
bidang
ekonomi,
clustering atau pengelompokan data
digunakan untuk membuat segmen pasar,
memahami perilaku pembeli, mengenali
peluang produk baru (Supranto 2004),
digunakan
untuk
mengelompokkan
saham-saham perusahaan (Mahadwartha
2
data ke dalam satu atau lebih cluster /

kelompok berdasarkan jarak minimal
data ke centroid. Pangalokasian data ke
dalam suatu cluster dilakukan secara
tegas, sehingga setiap data akan menjadi
anggota cluster dan hanya satu cluster.
Metode ini mempartisi data, dimana data
yang memiliki karakteristik yang mirip
dikelompokkan ke dalam cluster yang
sama (Agusta 2007; Santoso 2007).
yang memiliki jarak minimum ke

centroid. Lakukan langkah tersebut
hingga cluster stabil / tidak berubah.
2.2. Euclidean Distance
Untuk menghitung jarak antara data
dengan centroid digunakan euclidean
disatnce. Jarak dihitung menggunakan
persamaan 2 (Santoso 2007; Supranto
2004) :
2 , 1 = 2 1 2 =
2.
Analisis Cluster
Analisis cluster merupakan metode
pengolahan data yang bertujuan untuk
mengelompokkan
data
kedalam
kelompok-kelompok dimana data-data
yang berada dalam kelompok yang sama
akan mempunyai sifat yang mirip
(Agusta 2007; Santoso 2007).
=1
2 1
(2)
dimana
: dimensi data
2.3. Menilai Kualitas Cluster
Metode yang digunakan untuk
menilai kualitas cluster dianggap ideal
adalah batasan variance, yaitu dengan
menghitung kepadatan cluster berupa
variance within cluster () dan
variance between cluster (). Cluster
yang ideal memiliki minimum yang
mempresentasikan internal homogenity
dan
maksimum
yang
mempresentasikan external homogenity
(Saepulloh 2010).
= 100%
(3)
2.1. K-means
K-means merupakan metode cluster
berbasis jarak yang membagi data ke
dalam k-cluster, dan algoritma ini hanya
bekerja pada data numerik. Metode ini
berusaha meminimalkan fungsi objektif
pada persamaan 1.
2
, =
(1)
=1 =1
dimana :
, : fungsi objektif
: tingkat keanggotaan objek ke

i dalam cluster ke c yang
bernilai 1 atau 0 .
: banyak objek
: banyak cluster
2
: kuadrat dari jarak pusat cluster

ke -c terhadap objek ke i.
Menghitung nilai variance tiap cluster

dapat dilakukan menggunakan persamaan
4:
2 =
1
1
=1
(4)
dimana
2 : variance pada cluster ke-
, = 1. . . ,
: banyaknya cluster
: banyaknya data pada cluster ke-
: data kepada cluster ke-
: rata-rata dari data pada cluster ke-
Selanjutnya untuk menghitung variance
within cluster (Vw) dapat dihitung
dengan persamaan 5 :
1
= =1 1 2 (5)
dimana
Pada awalnya algoritma ini mengambil

sebanyak k-centroid secara random dari
data, namun dalam penelitian ini
penentuan centroid pertama kali diambil
dari mean data sebanyak k-centroid.
Hitung jarak setiap data terhadap masingmasing centroid, dalam hal ini
penghitungan jarak digunakan rumus
euclidean. Alokasikan data ke cluster
3
: variance dalam cluster

: banyaknya data
Variance between cluster (Vb) dihitung
menggunakan persamaan 6 :
2
1
= 1 =1
(6)
dimana
: rata-rata .
dilakukan adalah standarisasi data. Data

yang sudah distandarisasi kemudian
digunakan untuk proses pengelompokan.
Setelah didapatkan hasil cluster, sebagai
pengecekan, dengan metode yang sama
hasil ini dibandingkan dengan hasil
penghitungan dengan program SPSS.
Pengelompokan data dengan program kmeans adalah sebagai berikut :
a. Menjalankan
program
k-means
dengan Matlab, maka akan terlihat
tampilan awal program, yang terlihat
pada gambar 2.
>> cover_program % merupakan
perintah
untuk
memanggil
program k-means
b. Tampilan program utama terlihat
pada gambar 3, digunakan untuk
menginputkan parameter-parameter
program dan prosedur program yang
meliputi :
1. Banyak cluster yang dibentuk 3.
2. Buka data yang akan diproses,
dalam hal ini data Susenas
Salatiga tahun 2011.
3. Lakukan proses standarisasi data.
4. Proses pengelompokan k-means.
5. Hasil pengelompokan data ke
dalam 3 kelompok dengan 254
pengamatan dapat dilihat dalam
tabel hasil cluster.
3. Metode Penelitian
3.1. Data
Data yang digunakan adalah data
Susenas di Salatiga tahun 2011 triwulan 1
dan 2, dengan 254 pengamatan dan 4
variabel yang meliputi variabel banyak
anggota
rumah
tangga
(orang),
pengeluaran makanan (Rp), pendapatan
rumah tangga (Rp), dan pengeluaran non
makanan (Rp).
3.2. Rancangan Program

Rancangan program untuk metode
k-means
clustering
menggunakan
diagram alir seperti pada gambar 1.
3.3. Uji Program
Dengan data dan metode yang sama
pengujian program dilakukan dengan
cara membandingkan hasil output
program dengan hasil output program
SPSS. Pengujian ini bertujuan untuk
mengetahui apakah hasil yang didapat
dengan program k-means sudah setara
dengan program-program yang lain.
Pada tabel 1 disajikan sebagian data

asli yang akan dikelompokkan. Data ini
kemudian distandarisasi utuk membuat
data tidak bersatuan. Tabel 2 adalah hasil
standarisasi data sebelum diolah dengan
program k-means. Selanjutnya digunakan
algoritma
k-means
untuk
mengelompokkan data yang sudah
distandarisasi. Data akan dikelompokkan
menjadi
3
kelompok.
Langkah
pengelompokan data dengan k-means
adalah sebagai berikut :
1. Menentukan pusat cluster pertama
atau centroid awal.
4. Hasil dan Pembahasan

4.1. Implementasi Program
Uji coba dilakukan dengan
menggunakan data Susenas di Salatiga
tahun 2011 triwulan 1 dan 2 dengan 254
pengamatan dan 4 variabel yang meliputi
variabel banyak ART (A), konsumsi
makanan (B), pendapatan (C), dan
konsumsi non-makanan (D). Dari ke-4
variabel ini memiliki satuan yang
berbeda sehingga tahap pertama yang
4
Centroid pertama didekati dengan

mean dari data sebanyak k-cluster.
Karena akan dibentuk 3 cluster maka
centroid yang dibentuk juga sebanyak
3. Berikut merupakan centroid yang
dibentuk :
1 = (0.137 , 0.151, 0.138, 0.131)
2 = (0.204, 0.094, 0.015, 0.019)
3
= (0.341, 0.244, 0.153, 0.112)
2. Hitung jarak setiap data terhadap
setiap pusat cluster.
Dengan persamaan 2 dihitung jarak
setiap data ke setiap centroid. Hasil
penghitungan
jarak
ditampilkan
dalam tabel 3.
3. Data akan menjadi anggota dari
cluster yang memiliki nilai jarak
terkecil dari pusat clusternya, hal ini
ditampilkan dalam tabel 4.
c. Rumah tangga ekonomi bawah

sebanyak 130 rumah tangga, terdapat
dalam cluster 3 dengan nilai variabel
pendapatan terkecil yaitu -0.488.
4.2. Output SPSS
Dengan data dan metode yang
sama, dengan alat bantu SPSS dilakukan
proses clustering. Centroid pertama, hasil
cluster, dan centroid akhir secara
berturut-turut ditampilkan dalam tabel 7,
8, dan 9. Dalam tabel 10 menunjukkan
banyak data yang menjadi anggota
cluster yang terbentuk. Hasil cluster
akhir yang diperoleh dengan program
SPSS adalah :
a. Rumah
tangga
ekonomi
atas
dalam cluster 3, yang berdasar pada
nilai Zscore(v3) 2.70304 yang
merupakan nilai tertinggi dibanding
dengan nilai pada cluster yang lain.
b. Rumah tangga ekonomi menengah
dalam cluster 1, dengan nilai
Zscore(v3) sebesar 0.00837.
c. Rumah tangga ekonomi bawah
dalam cluster 2, dengan nilai
Zscore(v3) sebesar
-0.54553.
Hitung setiap centroid yang baru

dari mean data yang menjadi anggota
cluster, hitung jarak setiap data ke
centroid yang baru. Alokasikan setiap
data ke cluster yang memiliki jarak
minimal. Ulangi langkah 1 sampai 3
hingga cluster stabil / tidak ada
perubahan. Hasil akhir dari program kmeans ditampilkan dalam tabel 5 dan
centroid akhir ditampilkan dalam tabel 6,
dengan nilai fungsi objektif 3048.59 dan
nilai sebesar 0.011655 persen, hal ini
menunjukkan tingkat homogenitas hasil
cluster. Hasil yang diperoleh dengan
program k-means adalah sebagai berikut :
a. Rumah
tangga
ekonomi
atas
dalam cluster 1. Terlihat dari nilai
variabel C / pendapatan 2.420
merupakan nilai paling besar dintara
cluster yang lain.
b. Rumah tangga ekonomi menengah
dalam cluster 2, dengan nilai variabel
pendapatan 0.030.
4.3. Perbandingan Hasil

Hasil program k-means dan SPSS
ditampilkan dalam diagram batang yang
tersaji dalam gambar 4. Rumah tangga
dengan tingkat ekonomi atas ditunjukkan
dalam cluster 1. Dari hasil program kmeans, sebanyak
25 rumah tangga
menjadi anggota cluster 1, dan hasil
SPSS sebanyak
21 rumah tangga
menjadi anggota cluster 1. Rumah
tangga yang menjadi anggota cluster 1
ditampilkan dalam tabel 11. Dari tabel
11 terlihat bahwa rumah tangga 165,
190, 210, 230 yang menjadi anggota
cluster 1 dari hasil program k-means
tidak menjadi anggota cluster 1 dari
5
Agusta, Yudi. 2007. K-means-Penerapan,

Permasalahan dan Metode Terkait.
Jurnal Sistem dan Informatika
Vol.3 : 47 - 60.
Bandan Pusat Statistik. 2010. Survei Sosial
Ekonomi Nasional [SUSENAS Juli
2010] (Pedoman Pencacahan
KOR). Jakarta : Badan Pusat
Statistik.
Mahadwartha, P.A. 2002. Analisis Cluster
Saham-Saham
Berdasarkan
Nisbah Profitabilitas Di Masa
Kritis. Jurnal Ekonomi dan Bisnis
Dian Ekonomi VIII/2.
O.J.Oyelade,
O.O.Oladipupo,
dan
I.C.Obagbuwa. 2010. Aplication
of K-means Clustering Algorithm
for Prediction of Students
Academic
Performance.
International Journal of Computer
Science and Information Security,
Vol. 7, No. 1.
Saepulloh, D. 2010. Analisis Data Mining
K-means cluster analysis Untuk
Menentukan Data Berjenis Biner
(Studi Kasus Pengelompokan
Rumah Tangga Sasaran (RTS)
Bantuan
Langsung
Tunai
(BLT))(Tesis). Bandung : Fakultas
Matematika dan Ilmu Pengetahuan
Alam Universitas Padjadjaran.
Santoso, B. 2007. DATA MINING : Teknik
Pemanfaatan
Data
untuk
Keperluan Bisnis, Edisi Pertama.
Yogyakarta : Graha Ilmu.
Supranto, J. 2004. Analisis Multivariat Arti
dan Interpretasi. Jakarta : Rineka
Cipta.
hasil SPSS. 4 data ini menjadi anggota

cluster lain dalam hasil program kmeans. Dengan cara yang sama cluster 2
dan 3 dapat diketahui.
5.
Kesimpulan
Berdasarkan
hasil
penelitian,
diperoleh kesimpulan sebagai berikut :
1) Program yang telah dibangun dapat
digunakan untuk mengelompokkan
rumah tangga berdasarkan tingkat
perekonomian
(ekonomi
atas,
menengah, dan bawah). Program
hanya dapat digunakan untuk data
numerik.
2) Dari program k-means didapat 25
rumah tangga ekonomi atas, 99
rumah tangga ekonomi menengah,
dan 130 rumah tangga ekonomi
bawah.
3) Dari SPSS didapat 21 rumah tangga
ekonomi atas, 127 rumah tangga
ekonomi menengah, dan 106 rumah
tangga ekonomi bawah.
4) Perbedaan hasil program k-means
dan SPSS terjadi karena perbedaan
inisialisasi centroid pertama. Metode
k-means sangat sensitif terhadap
inisialisasi centroid awal, sehingga
hasil cluster yang dihasilkan berbeda.
5) Berdasarkan data, sebagian besar
penduduk
Salatiga
berekonomi
menengah ke bawah.
6.
Daftar Pustaka
LAMPIRAN GAMBAR
1.
2.
3.
4.
Gambar 1. Diagram alir program k-means.

Gambar 2. Tampilan awal program k-means.
Gambar 3. Tampilan program k-means.
Gambar 4. Hasil cluster program k-means dan SPSS.
LAMPIRAN TABEL
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
Tabel 1. Data asli.

Tabel 2. Data standarisasi.
Tabel 3. Jarak data ke centroid.
Tabel 4. Hasil cluster.
Tabel 5. Final cluster.
Tabel 6. Final centroid.
Tabel 7. Centroid pertama.
Tabel 8. Cluster awal.
Tabel 9. Final cluster centroid.
Tabel 10. Anggota cluster.
Tabel 11. Anggota cluster 1.
Start
Buka file data
Tentukan
banyak cluster k
Standarisasi data
Tentukan
Centroid
Hitung jarak
objek dengan
Centroid
Tidak
Alokasikan
objek (minimum
jarak)
konvergen
End
Ya
Gambar 1. Diagram alir program k-means.
Gambar 2. Tampilan awal program k-means.
Banyak rumah tangga
Gambar 3. Tampilan program k-means.
127
-0.373
-0.321
0.0189
0.448
0.473
0.198
-0.246
-0.200
-0.221
-0.321
-0.645
-0.664
-0.563
250
0.198
-0.704
-0.502
-0.424
251
-0.321
-0.880
0.020
0.221
252
-1.358
-0.537
0.119
0.264
253
-0.840
-0.935
-0.148
-0.022
254
-1.3583
-1.011
-0.629
-0.396
1.078
0.920
1.380
0.919
0.788
1.336
Program kmeans
0.663
0.842
0.879
0.631
0.450
0.552
SPSS
1.403
1.257
0.791
130
2521
-0.197
100
50
0.527
No
106
99
0.717
Tabel 3. Jarak data ke centroid.
Hasil Cluster
150
Cluster
Gambar 4. Hasil cluster k-means dan SPSS.
250
1.138
1.132
0.739
251
1.652
1.712
1.155
252
1.496
1.475
0.856
253
2.110
2.054
1.389
254
1.863
1.809
1.203
Tabel 1. Data asli.
No.
1759864
2705000
824383
1783285
3364333
1418616
1346142
6040000
1118571
Tabel 4. Hasil cluster.
No
1 2 3
4297650
3353000
1936733
774857
1426333
773483
250
572785
4266667
3440916
251
867857
4674000
3587168
252
525642
3566667
2613668
250
253
460714
1571933
1342584
251
254
1075714
1766667
689000
252
253
254
*
*
*
Tabel 2. Data standarisasi.
No
0.717
0.499
-0.356
-0.548
Tabel 5. Final cluster.
No
1 2 3
253
254
Tabel 9. Final cluster centroid.
Cluster
1
Zscore(v1)
250
Zscore(v2)
251
Zscore(v3)
0.00837 -0.54553
2.70304
252
Zscore(v4)
-0.08154 -0.43978
2.71299
253
254
0.48408 -0.70244
-0.76434
0.61811
0.99986 -0.42446
Tabel 6. Final centroid.
Center
1
2
3
0.883
2.012
0.680
-0.688
Tabel 10. Anggota cluster.
2.282
25
Cluster
127
-0.060
99
106
-0.393
130
21
C
2.420
0.294
-0.611
0.030
-0.488
Valid
Tabel 7. Centroid pertama.
Missing
Cluster
1
Zscore(v1)
Zscore(v2)
3.31097 -1.35830
-0.87100
254
0
3
Tabel 11. Anggota cluster 1.
1.23574
1.90744
0.17092
Zscore(v3)
0.90330 -0.65212
5.50626
Zscore(v4)
0.71345 -0.53290
5.75191
program
k-means
Cluster 1
SPSS
program
k-means
SPSS
16
16
126
126
25
25
160
160
27
27
161
161
34
34
165
1 2 3
36
36
190
47
47
192
52
52
210
62
62
218
218
75
64
219
219
95
95
230
107
107
237
237
109
246
246
121
Tabel 8. Cluster awal.
No
250
109
251
121
252
192
LAMPIRAN DATA SUSENAS SALATIGA 2011
No.
A
(ora
ng)
2
B
(Rp)
3
C
(Rp)
4
D
(Rp)
5
37
1,869,857
2,622,333
671,567
38
1,274,142
2,520,000
1,439,666
39
956,442
2,399,667
1,280,833
40
1,031,485
2,164,243
967,866
41
1,056,428
2,310,000
1,068,733
1,759,864
2,705,000
824,383
42
597,857
1,910,000
1,286,286
1,783,285
3,364,333
1,418,616
43
1,101,707
1,786,100
739,233
1,346,142
6,040,000
4,297,650
44
899,142
2,103,333
1,136,499
1,118,571
3,353,000
1,936,733
45
996,000
2,560,714
1,836,501
774,857
1,426,333
773,483
46
640,071
1,600,000
928,666
1,740,750
7,664,400
5,270,866
47
2,450,142
16,557,167
13,695,583
2,602,714
6,285,667
3,323,500
48
921,000
2,916,067
1,975,933
1,959,214
5,950,000
3,734,667
49
957,857
2,040,000
989,667
2,281,071
5,750,000
3,154,333
50
1,414,285
2,941,667
1,338,666
10
745,285
1,323,333
472,666
51
1,943,571
3,008,333
963,171
11
705,000
1,650,333
937,133
52
2,689,285
11,791,667
8,712,666
12
708,642
1,051,400
359,666
53
944,357
1,883,333
856,118
13
1,278,857
7,826,617
6,677,783
54
2,232,857
5,183,250
2,770,616
14
741,000
1,466,667
719,666
55
1,490,142
5,577,333
3,595,400
15
1,963,928
3,500,000
1,048,666
56
972,857
2,161,333
965,350
16
1,456,500
24,633,333
22,132,283
57
1,145,464
2,287,000
1,050,433
17
1,550,228
3,450,000
1,820,000
58
495,428
3,048,000
2,487,616
18
602,142
6,366,667
5,580,666
59
512,250
1,060,667
393,616
19
1,954,285
4,661,667
2,147,499
60
1,452,857
2,395,000
849,833
20
1,670,142
4,976,667
3,411,166
61
922,607
2,199,833
1,255,147
21
2,052,000
7,068,000
4,795,400
62
3,604,714
12,284,567
8,215,699
22
1,573,071
5,098,667
3,340,066
63
1,000,071
4,386,733
3,304,833
23
934,714
1,225,000
485,166
64
1,323,214
10,166,666
8,676,749
24
1,131,857
3,316,667
2,182,400
65
886,500
1,233,333
362,167
25
4,218,000
12,559,333
7,585,433
66
2,157,428
3,329,333
1,283,083
26
1,279,071
2,439,167
1,024,266
67
1,033,285
2,388,333
1,329,670
27
2,525,142
13,850,417
11,987,899
68
1,035,428
3,636,667
2,571,666
28
814,285
1,780,000
841,667
69
1,433,571
8,333,333
6,659,766
29
1,621,928
4,156,333
2,352,566
70
1,317,107
5,161,067
3,728,933
30
938,571
3,057,667
1,987,100
71
1,226,057
9,276,760
7,665,793
31
1,042,928
2,950,833
1,934,774
72
562,285
5,866,667
4,945,083
32
1,038,964
1,613,667
578,950
73
735,000
2,982,000
1,992,383
33
1,937,142
3,356,667
1,292,166
74
1,341,908
5,406,666
4,069,698
34
3,159,000
24,841,667
20,379,299
75
3,446,571
8,833,333
3,430,666
35
1,431,535
5,533,333
3,889,917
76
873,385
1,246,600
342,766
36
4,617,642
11,833,333
5,955,650
77
156,642
331,667
167,916
10
78
1,737,857
3,450,000
1,629,166
120
1,462,285
6,225,000
3,429,117
79
1,319,357
2,023,333
737,916
121
3,232,285
15,405,000
11,411,866
80
2,058,107
5,387,333
3,223,666
122
1,148,035
1,801,667
545,400
791,785
2,200,967
1,324,246
81
1,402,264
5,411,667
3,970,083
123
82
848,614
1,509,800
660,193
124
946,285
2,680,867
1,675,399
83
1,267,714
1,976,667
740,416
125
1,133,142
3,866,667
2,634,233
84
645,107
2,169,333
1,284,266
126
1,901,464
9,955,000
7,915,266
85
2,625,428
4,226,667
1,474,167
127
1,353,214
2,020,167
683,999
86
1,263,535
3,283,333
1,716,666
128
242,678
354,667
114,000
87
1,161,642
1,939,000
659,933
129
2,075,357
4,540,000
2,133,999
88
3,301,714
6,684,667
2,494,483
130
1,305,857
2,113,333
1,216,500
320,571
2,573,333
2,109,833
89
1,786,285
3,399,000
1,419,033
131
90
1,514,785
3,253,333
1,198,167
132
1,327,071
2,191,667
1,022,866
91
1,080,642
1,823,333
661,833
133
1,403,785
3,600,000
2,248,833
92
1,614,428
2,982,500
1,107,499
134
989,142
1,530,000
875,917
93
1,134,214
2,859,350
1,542,083
135
1,041,428
1,998,333
608,000
94
1,426,178
2,674,500
1,098,100
136
834,857
1,626,667
443,000
95
4,536,428
27,020,000
22,262,833
137
1,288,500
2,523,333
1,021,667
96
556,071
1,183,333
601,049
138
1,358,571
2,100,000
1,001,400
442,285
985,000
444,600
97
3,017,142
5,800,000
2,581,233
139
98
789,642
2,420,667
1,485,833
140
1,613,357
3,486,667
1,565,633
99
1,275,000
4,056,667
2,570,867
141
1,426,607
3,950,000
2,487,916
100
1,165,285
2,105,500
894,400
142
1,900,285
4,503,083
2,477,666
101
1,422,000
5,803,517
4,317,050
143
1,057,928
2,034,333
952,866
102
2,380,714
4,266,667
1,765,254
144
2,412,535
5,467,500
2,797,583
103
2,290,285
3,800,000
1,426,490
145
1,073,571
8,166,667
6,920,749
104
560,057
983,333
388,200
146
694,714
1,821,667
991,967
1,602,535
3,384,633
1,629,333
105
1,131,000
1,745,000
690,667
147
106
1,771,500
4,171,667
2,396,018
148
904,285
2,230,000
1,131,200
107
10
5,164,178
19,250,000
13,279,300
149
632,142
1,500,000
943,400
108
749,571
1,095,567
337,133
150
1,554,771
6,960,667
5,014,658
109
2,071,285
15,095,667
12,595,050
151
544,285
1,948,333
1,366,117
110
801,000
4,694,667
3,572,033
152
438,107
2,090,000
1,421,166
111
1,287,428
5,436,667
3,769,633
153
621,428
2,250,000
1,630,833
112
828,000
5,307,667
4,126,233
154
688,285
1,686,667
945,966
450,000
854,000
403,666
113
2,015,571
4,200,000
1,836,083
155
114
1,561,714
2,404,167
710,600
156
968,571
1,797,833
799,167
115
2,049,642
4,090,000
1,636,482
157
209,464
608,333
268,000
116
841,928
1,206,333
431,749
158
822,642
2,233,333
1,304,083
117
915,000
3,916,667
2,820,466
159
2,316,428
4,043,333
1,598,583
118
1,330,928
2,276,667
761,417
160
1,537,285
11,399,000
8,212,216
119
1,876,285
3,726,667
1,764,000
161
1,711,500
16,659,000
13,620,233
11
162
671,357
975,000
226,166
204
422,142
921,333
490,667
163
1,097,357
1,390,833
370,583
205
537,000
962,133
370,400
164
864,107
2,991,500
1,951,266
206
738,857
3,840,000
2,946,566
703,928
1,458,333
933,366
165
11
4,678,821
7,481,800
2,483,166
207
166
1,709,357
3,181,333
1,424,266
208
812,142
2,525,000
1,671,333
167
10
1,231,071
7,968,000
5,117,167
209
985,607
2,190,000
1,020,166
168
1,721,892
4,676,667
2,922,333
210
3,830,571
9,066,667
5,023,166
169
1,141,285
7,266,667
6,098,500
211
1,163,571
3,016,667
1,843,752
170
322,500
651,667
271,000
212
1,395,471
5,316,633
3,851,633
171
902,464
4,933,333
2,985,667
213
936,750
1,570,000
656,766
172
408,428
1,166,667
716,917
214
369,000
1,006,667
601,016
733,071
3,100,000
2,222,620
173
453,000
714,000
359,250
215
174
1,371,428
5,083,333
3,591,333
216
514,928
1,253,333
639,166
175
233,571
345,000
49,666
217
1,592,357
5,678,333
3,562,333
176
851,357
2,253,333
1,368,900
218
1,759,714
11,566,667
8,887,233
177
508,714
740,000
203,483
219
4,060,714
17,603,667
10,333,983
178
600,428
1,500,000
674,666
220
1,932,535
3,221,000
1,108,267
179
920,571
1,783,333
787,336
221
1,495,178
2,786,000
1,105,650
180
1,273,500
4,650,000
3,375,033
222
267,428
340,000
56,500
1,153,285
3,116,667
1,903,583
181
1,406,785
3,050,000
1,432,833
223
182
1,730,357
4,766,667
2,615,916
224
577,714
1,116,667
444,333
183
495,428
1,146,667
578,366
225
1,829,142
8,725,000
6,383,167
184
720,000
1,150,000
366,666
226
1,615,392
4,504,767
2,397,837
185
786,428
1,900,000
1,115,000
227
668,571
1,205,967
562,171
186
785,785
1,833,334
990,733
228
1,061,785
3,700,000
2,608,754
187
1,418,142
6,353,333
3,460,417
229
909,428
1,743,000
744,999
188
1,373,357
7,613,333
5,900,466
230
5,211,000
7,250,000
2,062,170
756,428
1,960,000
1,072,503
189
1,089,257
2,491,667
1,294,833
231
190
2,351,785
9,453,333
6,725,266
232
804,428
2,366,667
1,389,117
191
502,928
1,450,000
971,970
233
900,857
2,083,333
1,046,417
192
1,941,214
9,523,333
8,529,858
234
990,857
1,625,000
628,833
193
2,192,678
7,716,000
3,702,233
235
1,656,214
3,231,667
1,434,001
194
2,118,857
6,500,000
2,985,167
236
713,571
1,284,667
698,500
195
585,535
3,440,333
2,252,959
237
2,664,642
19,300,000
15,559,250
196
1,368,642
2,277,533
781,267
238
872,142
2,119,167
1,184,916
411,428
981,133
584,866
197
661,200
1,750,467
1,028,633
239
198
681,857
1,103,333
290,933
240
637,714
6,500,000
5,312,267
199
1,432,500
2,698,100
1,199,433
241
377,142
1,150,000
851,366
200
493,714
1,330,333
824,666
242
642,857
3,056,667
2,318,633
201
513,857
948,800
409,033
243
811,714
1,677,333
861,333
202
699,642
1,797,333
1,056,900
244
1,422,857
4,670,333
3,172,733
203
456,428
1,288,000
771,833
245
1,191,428
4,936,000
3,152,336
12
246
1,681,714
12,466,667
10,403,683
251
867,857
4,674,000
3,587,168
247
1,168,714
2,341,667
1,093,173
252
525,642
3,566,667
2,613,668
248
1,305,214
3,900,000
2,078,153
253
460,714
1,571,933
1,342,584
249
724,285
2,100,000
1,246,420
254
1,075,714
1,766,667
689,000
250
572,785
4,266,667
3,440,916
13

Aplikasi Kmeans Pengelompokan RMH Tangga Tseptioko Ha Parhusip Tmahatma

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Aplikasi Kmeans Pengelompokan RMH Tangga Tseptioko Ha Parhusip Tmahatma

Diunggah oleh

Hak Cipta:

Format Tersedia

prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN

Economic Communities 2015, FEB, UKSW.

APLIKASI K-MEANS UNTUK PENGELOMPOKAN RUMAH

Penulis bersedia untuk berbagi data riset, data terlampir.

data ke dalam satu atau lebih cluster /

yang memiliki jarak minimum ke

: tingkat keanggotaan objek ke

: kuadrat dari jarak pusat cluster

Menghitung nilai variance tiap cluster

Pada awalnya algoritma ini mengambil

: variance dalam cluster

dilakukan adalah standarisasi data. Data

3.2. Rancangan Program

Pada tabel 1 disajikan sebagian data

4. Hasil dan Pembahasan

Centroid pertama didekati dengan

c. Rumah tangga ekonomi bawah

Hitung setiap centroid yang baru

4.3. Perbandingan Hasil

Agusta, Yudi. 2007. K-means-Penerapan,

hasil SPSS. 4 data ini menjadi anggota

Gambar 1. Diagram alir program k-means.

Tabel 1. Data asli.

Buka file data

Gambar 1. Diagram alir program k-means.

Gambar 2. Tampilan awal program k-means.

Banyak rumah tangga

Gambar 3. Tampilan program k-means.

Tabel 3. Jarak data ke centroid.

Gambar 4. Hasil cluster k-means dan SPSS.

Tabel 1. Data asli.

Tabel 4. Hasil cluster.

Tabel 2. Data standarisasi.

Tabel 5. Final cluster.

Tabel 9. Final cluster centroid.

Tabel 6. Final centroid.

Tabel 10. Anggota cluster.

Tabel 7. Centroid pertama.

Tabel 8. Cluster awal.

LAMPIRAN DATA SUSENAS SALATIGA 2011

Anda mungkin juga menyukai