ARTIKEL

ANALISIS DATA MINING UNTUK MENENTUKAN KELOMPOK

PRIORITAS PENERIMA BANTUAN BEDAH RUMAH DI DESA
SEMEN MENGGUNAKAN METODE CLUSTERING K-MEANS

Oleh:
M. RIXCO SETIAWAN
14.1.03.02.0042

Dibimbing oleh :
1. Patmi Kasih, M. Kom.
2. Risa Helilintar, M. Kom.

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS NUSANTARA PGRI KEDIRI
TAHUN 2018
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 1||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

ANALISIS DATA MINING UNTUK MENENTUKAN KELOMPOK

PRIORITAS PENERIMA BANTUAN BEDAH RUMAH DI DESA
SEMEN MENGGUNAKAN METODE CLUSTERING K-MEANS
M. Rixco Setiawan
14.1.03.02.0042
Fakultas Teknik – Teknik Informatika
ricocement55@gmail.com
Patmi Kasih, M.Kom. dan Risa Helilintar, M.Kom.
UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK

Saat ini proses penentuan penenerima bantuan bedah rumah di Kantor Desa Semen masih
dilakukan secara manual. Terdapat kerumitan dalam pengolahan data selama ini, dikarenakan
banyaknya jumlah data warga miskin di Desa Semen. Pengolahan data warga miskin yang cukup besar
menyulitkan panitia pelaksana dalam mengambil keputusan.
Dalam penelitian ini menggunakan metode Clustering K-Means, dengan menggunakan
metode ini dapat mengelompokkan data kedalam beberapa kelompok, dimana ditetapkan titik nilai
sebagai proses pengelompokannya.
Algoritma K-Means diawali dengan penentuan titik nilai dari setiap kriteria yang ditentukan
secara acak. Data yang sudah diseleksi dan ditranformasi akan dikirimkan kedalam sistem dan akan
diolah yang kemudian didapati hasil berupa rangking yang layak dan tidak layak dalam menentukan
penerima bantuan..
Hasil penelitian ini menunjukkan bahwa sistem penerima bantuan bedah rumah menggunakan
metode Clustering K-Means menghasilkan data rangking yang layak mendapatkan bantuan sesuai
kriteria yang telah ditentukan. Data rangking tersebut dapat dijadikan sebagai patokan untuk
mendapatkan bantuan bedah rumah. Berdasarkan simpulan hasil penelitian ini, direkomendasikan: (1)
Data kriteria diharapkan lebih lengkap, sehingga mendapatkan hasil perhitungan yang akurat. (2)
Dilakukan pengembangan sitem sejenis dengan menambahkan fitur seleksi dan transformasi nilai
secara otomatis sehingga menghasilkan sistem yang maksimal.

KATA KUNCI : Centroid, Cluster, Clustering, Data Mining, Euclidean, K-means.

M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 2||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

I. LATAR BELAKANG dirasa cocok sebagai proses

Begitu banyaknya warga kurang pengelompokan data yang sangat
mampu masih menjadi satu besar.
permasalahan yang sulit dihadapi Sampel data diambil dari Kantor
oleh pemerintah. Masalah ini masih Desa Semen, Kecamatan Pagu,
menjadi acuan bagi pemerintah Kabupaten kediri. Dari proses
untuk dilakukan tindak lanjut dalam penelitian yang dilakukan didapati
mengatasi kemiskinan. Banyak beberapa kriteria yang telah
warga miskin masih menempati ditentukan oleh Dinas Sosial
rumah yang tidak layak untuk Kabupaten Kediri diantaranya Jenis
ditinggali. Perlu adanya bantuan Dinding, Kondisi Kerusakan
pembedahan rumah disetiap daerah Dinding, Jenis Atap, Kondisi
yang menjadi tugas utama bagi Kerusakan Atap, Jenis Lantai, Sarana
Pemerintah dalam mengatasi MCK. Data yang telah terkumpul
permasalahan ini. Diharapkan akan diolah menggunakan metode
melalui program ini dapat mengatasi Clustering K-Means untuk diambil
permasalahan yang dialami setiap nilai sebagai ketentuan untuk
warga kurang mampu. mendapatkan bantuan rehabilitasi
Pada proses penentuan dilakukan rumah di Desa Semen, Kecamatan
penggalian data dalam menentukan Pagu, Kabupaten Kediri. Dengan
bantuan. Dibutuhkan sistem yang kriteria dan data penduduk tersebut
dapat mengelompokkan data untuk peneliti dapat memanfaatkan sebagai
dijadikan sebagai proses menentukan bahan dalam proses pengelompokan.
bantun rehabilitasi rumah. Pada
penelitian ini penulis menggunakan II. METODE
data mining metode Clustering K- A. Data Mining
Means untuk menentukan kelompok Data mining adalah suatu
prioritas penerima bantuan bedah istilah yang digunakan untuk
rumah. Data mining merupakan menguraikan penemuan
proses penambangan informasi dari pengetahuan di dalam database.
besarnya data yang ada dalam basis Data mining merupakan proses
data. Algoritma Clustering K-Means yang menggunakan teknik

M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 3||
3
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

statistik, metematika, kecerdasan B. Clustering

buatan, dan machine learning Clustering atau klasterisasi
untuk mengekstraksi dan adalah metode pengelompokan
mengidentifikasi informasi yang data. Clustering adalah sebuah
bermanfaat dan pengetahuan proses untuk mengelompokkan
yang terkait dari berbagai data ke dalam beberapa cluster
database besar (Turban, dkk, atau kelompok sehingga data
2005). dalam satu cluster memiliki
Definisi umum dari data tingkat kemiripan yang
mining itu sendiri adalah proses maksimum dan data antar cluster
pencarian pola yang tersembunyi memiliki kemiripan yang
(hidden patern) berupa minimum (Tan, 2006).
pengetahuan yang tidak diketahui Metode clustering secara
sebelumnya dari suatu kumpulan umum dapat dibagi menjadi dua
data yang mana data tersebut yaitu hierarchical clustering dan
dapat berada didalam database, partitional clustering. Terdapat
atau media penyimpanan pula metode Desuty-Based dan
informasi yang lain (Kusrini dan Grid Based yang juga sering
Emha Taufiq, 2009). Hal penting diterapkan dalam implementasi
yang terkait di dalam data mining clustering (Tan, 2006).
adalah: C. K-Means
a. Data mining merupakan suatu Metode K-means
proses otomatis terhadap data merupakan metode clustering
yang sudah ada. yang paling sederhana dan
b. Data yang akan diproses umum. Hal ini dikarenakan K-
berupa data yang sangat Means mempunyai kemampuan
besar. mengelompokkan data dalam
c. Tujuan data mining adalah jumlah yang cukup besar dengan
mendapat hubungan atau pola waktu komputasi yang cepat dan
yang mungkin memberikan efisien (Han dkk, 2012).
indikasi yang bermanfaat. Metode K-Means berusaha
mengelompokkan data yang ada
kedalam beberapa kelompok,

M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 4||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

dimana data dalam satu centroid baru dengan centroid

kelompok mempunyai lama tidak sama.
karakteristik yang sama satu D. Analisis Dan Logika Metode
dengan yang lainnya dan Pada tahap analisa dan
mempunyai karakteristik yang logika metode merupakan inti dari
berbeda dengan data yang ada di proses pembuatan aplikasi. Sistem
dalam kelompok yang lain. Dasar ini dibangun menggunakan data
algoritma K-means adalah mining metode clustering k-
sebagai berikut: means dimana data dibagi ke
a. Tentukan nilai k sebagai dalam partisi-partisi berdasarkan
jumlah klaster yang ingin kategori yang ada dengan melihat
dibentuk. titik tengah yang paling dekat.
b. Bangkitkan k centroid (titik Berikut merupakan contoh
pusat kluster) awal secara metode clustering k-means yang
random. diambil dari sampel data
c. Hitung jarak setiap data ke penduduk:
masing-masing centroid Contoh kasus:
menggunakan rumus kolerasi Pada desa semen kecamatan pagu
antar dua objek yaitu kabupaten kediri dengan 10 contoh
Euclidean Distance sebagai sampel data penduduk warga
berikut : miskin. Dengan menggunakan
D(M,C)= algoritma k-means, temukan
kelompok terbaik penerima
√∑ ( ( ) ( ))2…(1)
bantuan bedah rumah dengan data
d. Kelompokkan setiap data pada tabel 2.1 berikut:
berdasarkan jarak terdekat Tabel 2.1 Data Penduduk Hasil
antara data dengan centroid- Transformasi
Nama Nilai Kriteria
nya. Kemudian menentukan
Ahmad Choiruman 2 1 4 2 2 1
posisi centroid baru dengan Asrap 2 1 4 1 2 1
cara menghitung nilai rata-rata Bibit Purnomo 2 2 4 2 2 1
dari data-data yang ada pada Budiono 2 1 5 1 1 2

centroid yang sama. Kembali Chaelani 2 2 4 2 2 1

Dewi Anjarwati 2 1 4 1 2 1
ke langkah 3 jika posisi
Epti 2 1 4 1 2 1

M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 5||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

Gatot Budiono 1 3 5 3 1 1 d. Menentukan posisi centroid baru

Imam Furqoni 2 1 4 1 2 1 dengan cara menghitung nilai
Imam Mujiono 1 3 4 3 1 2
rata-rata dari data-data yang ada
Proses selanjutnya menerapkan
pada centroid yang sama.
perhitungan ke dalam metode
Kembali ke langkah 3 jika posisi
clustering k-means maka langkahnya
centroid baru dengan centroid
sebagai berikut:
lama tidak sama.
a. Tentukan nilai k sebagai jumlah
Karena anggota kelompok tidak ada
klaster yang ingin dibentuk.
yang berubah maka titik pusat pun
b. Bangkitkan k centroid (titik pusat
tidak akan berubah. Terdapat
kluster) awal secara random dan
kesimpulan hasil penilaian
didapat titik pusat dari setiap
menggunakan metode Clustering K-
cluster dapat dilihat pada tabel
Means, dapat dilihat pada tabel 2.3
2.2 berikut:
berikut:
Tabel 2.2 Titik Pusat Cluster
Titik Jen. Ker. Jen. Ker. Jen. Sar. Tabel 2.3 Hasil Penilaian
Pusat Din Din Atap Atap Lant MC Nama Cluster
Cluster K Ahmad Choiruman 1
Cluster 1 2 2 4 2 2 1
Asrap 2
Cluster 2 2 1 4 1 2 1
Bibit Purnomo 1
Budiono 2
c. Hitung jarak setiap data ke
Chaelani 1
masing-masing centroid
Dewi Anjarwati 2
menggunakan rumus kolerasi Epti 2
antar dua objek yaitu Euclidean Gatot Budiono 1
Distance, berikut contoh Imam Furqoni 2
perhitungan seluruh data, Imam Mujiono 1

prosesnya:
- Pusat 1: Keterangan:
D(1,1)= - Cluster dengan nilai 1= Akan
√( ) ( ) ( ) ( ) ( ) ( ) dilakukan pembedahan/ Layak.
=1
- Cluster dengan nilai 2= Tidak
- Pusat 2:
dilakukan pembedahan/ Tidak
D(1,2)=
Layak.
√( ) ( ) ( ) ( ) ( ) ( )

=1

M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 6||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

III. HASIL DAN KESIMPULAN terdapat dalam sistem

A. Implementasi Sistem penerima bantuan bedah
1. Diagram Konteks rumah. Terdapat Data Flow
Diagram konteks Diagram level 1 yang
merupakan diagram yang menjelaskan beberapa proses
menggambarkan ruang yaitu administrator yang
lingkup dari suatu sistem memiliki kewenangan
secara garis besarnya serta sebagai super user dapat
menjelaskan situasi sistem melakukan semua proses
mengenai input dan output dalam sistem. Proses kedua
serta menjelaskan terminator adalah input data penduduk
yang digunakan dalam yang dilakukan administrator.
sistem. Ada dua pengguna Proses ketiga yaitu input
dari sistem yang dibangun kriteria penduduk yang telah
yaitu administrator dan ditentukan. Dan proses yang
aparat pegawai, administrator terakhir adalah perhitungan
dapat melakukan semua dengan clustering k-means
proses dalam sistem, dan kemudian didapatkan
sedangkan aparat pegawai hasil berupa laporan. Berikut
memiliki kewenangan untuk gambar alur data flow
melihat hasil laporan diagram-nya:
penilaian. Berikut gambar
diagram konteksnya:

Gambar 3.1 Diagram Konteks Gambar 3.2 Data Flow Diagram

Level 1
3. Flowchart
2. Data Flow Diagram (DFD)
Aliran proses yang
Pada Data Flow Diagram ini
tersusun pada sistem
menjelaskan proses yang

M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 7||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

dijelaskan menggunakan d. Proses akan menampilkan

flowchart, tujuannya adalah berupa hasil seleksi penerima
untuk menjelaskan urutan- bantuan bedah rumah.
urutan proses yang e. Selesai.
pelaksanaannya memiliki B. Tampilan Program
banyak opsi pilihan sehingga Program aplikasi penerima
pengguna lebih mudah dalam bantuan bedah rumah dibuat
proses menjalankan sistem. dengan tampilan yang simpel dan
Berikut alur flowchart sederhana serta warna yang tidak
terdapat pada gambar 3.3 terlalu mencolok dipilih agar
dibawah ini: pengguna nyaman dalam
menjalankan program. Berikut
tampilan-tampilan halaman yang
terdapat dalam program yang telah
dirancang:
a. Tampilan Beranda Utama
Tampilan beranda utama
merupakan halaman awal disaat
program pertama kali
Gambar 3.3 Flowchart dijalankan. Tampilan beranda
utama dapat dilihat pada gambar
Adapun keterangan alur dari
5.8 berikut:
gambar di atas adalah sebagai
berikut:
a. Mulai dengan login
b. Masukkan data kriteria
penduduk yang telah diseleksi
dan ditransformasi, maka
kemudian data akan tersimpan
Gambar 3.4 Tampilan Beranda
secara otomatis kedalam
Utama
database.
Pada gambar diatas
c. Tahap selanjutnya perhitungan
terdapat beberapa buah tombol
dan pengolahan data
menu bar diantaranya memiliki
menggunakan metode k-means.
M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id
Teknik – Teknik Informatika || 8||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

fungsi-fungsi berbeda, antara gambar 3.5 tampilan halaman

lain: menu admin:
1) Tombol Data Pengguna
Tombol ini digunakan untuk
mengakses sub menu admin.
2) Menu Data Penduduk
Tombol ini digunakan untuk
mengakses sub menu data
Gamabar 3.5 Halaman Menu
penduduk.
Admin
3) Menu Kriteria Penduduk c. Halaman Menu Penduduk
Tombol ini digunakan untuk Halaman menu data penduduk
mengakses sub menu kriteria merupakan halaman yang berisikan
penduduk diantaranya jenis informasi lengkap dari setiap
dinding, kerusakan dinding, penduduk yang telah dikumpulkan
jeni atap, kerusakan atap, jenis oleh peneliti. Data yang telah
lantai dan sarana MCK. terkumpul kemudian akan
4) Tombol Proses dimasukkan kedalam database
Tombol ini digunakan untuk untuk diolah lebih lanjut. Berikut
mengakses sub menu merupakan gambar 3.6 halaman
clustering dimana data menu penduduk:
penduduk akan diolah.
5) Tombol Logout
Tombol ini digunakan untuk
kembali pada menu login di
awal sistem.
b. Halaman Menu Admin
Gamabar 3.6 Halaman Menu
Halaman menu admin Penduduk
merupakan halaman yang
digunakan untuk memasukkan d. Halaman Kriteria Penduduk

username beserta password yang Halaman menu kriteria

kemudian digunakan untuk penduduk merupakan halaman

membuka menu login di awal yang digunakan untuk

ketika sistem ini berjalan. Berikut memasukkan masing-masing

kriteria rumah penduduk. Berikut
M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id
Teknik – Teknik Informatika || 9||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

merupakan gambar 5.11 halaman aplikasi dengan hasil pada

kriteria penduduk: keadaan sebenarnya/ hasil di
lapangan. Terdapat 5 contoh data
untuk dijadikan uji coba
perbandingan sistem.
Perbandingan sistem dilakukan
untuk memperoleh nilai
Gambar 3.7 Halaman Kriteria penentuan yang akurat.
Penduduk a. Uji Coba K-Means Manual
dengan K-Means Aplikasi.
e. Halaman Proses Clustering
Perhitungan manual
Halaman ini digunakan
dilakukan dengan menggunakan
untuk mengolah data dan
Microsoft Excel. Berikut
menampilkan hasil berupa data
merupakan tabel uji coba
penduduk yang layak dan tidak
perbandingan k-means
layak mendapatkan bantuan bedah
perhitungan manual dengan k-
rumah menggunakan metode
means aplikasi:
clustering k-means. Berikut
Tabel 3.1 Uji Coba Manual
merupakan gambar 5.12 halaman dengan Aplikasi
Penentuan Penerima
kriteria penduduk:
Bantuan Hasil
No. Nama Manual Sistem Uji
(Nilai (Nilai Coba
Cluster) Cluster)
Ahmad
Layak Layak
1 Choiruma Sukses
(1) (1)
n
Tidak Tidak
2 Asrap Sukses
(2) (2)
Gambar 3.8 Halaman Proses
Bibit Layak Layak
Clustering 3 Sukses
Purnomo (1) (1)
Tidak Tidak
C. Uji Coba Perbandingan Sistem 4 Budiono Sukses
(2) (2)
Pada tahap ini penulis Layak Layak
5 Chaelani Sukses
mencoba kesesuaian (1) (1)

perbandingan k-means
perhitungan manual dengan k- Dapat disimpulkan bahwa
means aplikasi dan uji coba hasil perhitungan k-means manual
M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id
Teknik – Teknik Informatika || 10||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

dengan perhitungan k- means Dapat disimpulkan bahwa

aplikasi diperoleh dengan hasil keberhasilan menggunakan
yang sama. aplikasi penetuan bantuan bedah
b. Uji Coba Hasil Aplikasi dengan rumah metode Clustering K-
Hasil pada Keadaan Sebenarnya/ Means didapatkan hasil dengan
di Lapangan. persentasi keberhasilan 78,42%.
Berikut merupakan tabel uji coba
perbandingan hasil aplikasi IV. PENUTUP
dengan hasil pada keadaan A. Simpulan
sebenarnya/ hasil di lapangan: Beberapa kesimpulan yang
Tabel 3.2 Uji Coba Aplikasi dapat diambil dari penelitian ini
dengan Hasil di Lapangan
Penentuan
adalah sebagai berikut:
Penerima Hasil 1. Kriteria ketentuan pada sistem
No. Nama Bantuan Uji
yang layak mendapatkan
Lapan Coba
Sistem bantuan adalah jenis dinding
gan
Ahmad minimal terbat dari papan,
1 Choiruma Tidak Layak Gagal
kerusakan dinding minimal
n
rusak ringan, jenis atap minimal
2 Asrap Tidak Tidak Sukses
Bibit terbuat dari genteng, kerusakan
3 Tidak Layak Gagal
Purnomo atap minimal rusak ringan, jenis
4 Budiono Tidak Tidak Sukses
lantai minimal masih tanah dan
5 Chaelani Tidak Layak Gagal
sarana MCK minimal tidak ada.
2. Keberhasilan menggunakan
Dari keterangan diatas,
aplikasi penetuan bantuan bedah
kriteria ketentuan pada sistem
rumah metode Clustering K-
yang layak mendapatkan bantuan
Means didapatkan hasil dengan
adalah jenis dinding minimal
persentasi keberhasilan 78,42%.
terbat dari papan, kerusakan
B. Saran
dinding minimal rusak ringan,
Dari proses penelitian yang
jenis atap minimal terbuat dari
dilakukan, ada beberapa saran yang
genteng, kerusakan atap minimal
harus diterapkan guna
rusak ringan, jenis lantai minimal
mengembangkan sistem lebih lanjut
masih tanah dan sarana MCK
yaitu sebagai berikut:
minimal tidak ada.
M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id
Teknik – Teknik Informatika || 11||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

1. Diharapkan untuk penelitian Guswandi, D. 2017. Sistem

Pendukung Keputusan Bantuan
selanjutnya sistem ini bisa
Bedah Rumah Menggunakan
berkembang tidak hanya dapat Metode Simple Additive
Weighting Pada Badan Amil
menentukan prioritas penerima
Zakat. MajalahIlmiah. Padang:
bantuan bedah rumah, tetapi Universitas Putra Indonesia
YPTK.
dapat mencakup seluruh
penerimaan bantuan yang Han, J., Kamber, M. & Pei, J. 2002.
Data Mining Concept and
lainnya, sehingga sistem dapat
Techniques. Amsterdam:
digunakan secara optimal. Morgan Kaufmann-Elsevier.
2. Dilakukan pengembangan
Kumar, S. M. & Aggarwal, K. S.
program sejenis dengan 2003. Debuggers For
Programing Languages.
menambahkan fitur seleksi dan
Florida: In The Complier
tranformasi nilai secara otomatis Design Handbook.
sehingga menghasilkan sistem
Lutfi, E. T. & Kusrini. 2009.
yang maksimal. Algoritma Data Mining.
Yogyakarta: CV AndiOffset.
3. Data kriteria mengenai prioritas
bantuan bedah rumah Musligudin, M. & Oktafianto. 2016.
Analisis dan Perancangan
diharapkan lebih lengkap,
Sistem Informasi
sehingga mendapatkan hasil Menggunakan Model
Terstruktur dan UML.
perhitungan yang akurat.
Yogyakarta: CV Andi OFFset.

Nasari, F. & Darma, S. 2015.

V. DAFTAR PUSTAKA
Penerapan K-Means
Clustering Pada Data
Anhar. 2010. Panduan Menguasai Penerimaan Mahasiswa Baru.
PHP & MySQL Secara Universitas Potensi Utama.
Otodidak. Jakarta: Mediakita.
Ong, J. O. 2013. Implementasi
Bagui, S. & Earp, R. 2012. Database Algoritma K-Means Clustering
Design Using Entity- untuk Menentukan Strategi
Relationship Diagrams. Marketing President
Francis: CRC Press. University.
Freitas, A. A. 2013. Data Minning Pahlevi, K. 2011. Penerapan Metode
and Knowledge Discovery Clustering K-Means Untuk
With Evolutionery Algorithms. Mengukur Tingkat
Springer Science & Business Kedisiplinan Siswa Di SMK
Media. Perikanan Nusantara Demak.
Universitas Dian Nuswantoro.

M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 12||
 Artikel Skripsi
Universitas Nusantara PGRI Kediri

Pardosi, M. 2004. Bahasa Tan, P.N., Steinbach, M., Kumar, V.

Pemrograman Windows Dan 2006. Introduction to Data
Internet Microsoft Visual Basic mining. Boston: Pearson
6.0. Surabaya: CV Education.
LuciaSilvyMacare.
Turban, E., dkk. 2005. Decision
Putri, T. U., Herdiansyah, M. I., & Support Systems and
Purnamasari, S. D. 2014. Intelligent Systems Edisi
Jurnal Penerapan Data Mining Bahasa Indonesia Jilid 1.
Untuk Menentukan Strategi Andi: Yogyakarta.
Penjualan Pada Toko Buku
Gramedia Menggunakan Zainul, A. Z, & Sarjono. 2016.
Metode Clustering. Jurnal Analisis Data Mining Untuk
Mahasiswa Teknik Menentukan Kelompok
Informatika. Prioritas Penerima Bantuan
Bedah Rumah Menggunakan
Richley, Z. 2014. Navicat MySQL Metode Clustering K-Means.
GUI Review. Splash JurnalManajemenSistemInform
Magazines. asi. STIKOM Dinamika
Bangsa Jambi.
Sudarshan, K. S. 2001. Database
System Concept Fourth Dinas Sosial Kabupaten Kediri.
Edition. The MeGraw-Hill 2017. Petunjuk Pelaksanaan
Companies. Rehabilitasi Sosisal Rumah
Tidak Layak Huni (RS-RTLH)
Supriana, W. I. 2016. Perancangan Dan Sarana Lingkungan
Sistem Pendukung Keputusan (Sarling).
Penelitian Penerima Bantuan
Bedah Rumah Dengan Metode Wahana Komputer. 2010. Membuat
Pembobotan. Aplikasi Client Server Dengan
JurnalIlmiahIlmuKomputer. Visual Basic 2008.
Universitas Udayana. Yogyakarta: Andi.

M. Rixco Setiawan | 14.1.03.02.0042 simki.unpkediri.ac.id

Teknik – Teknik Informatika || 13||