Plagiarism Checker X Originality Report

Similarity Found: 27%

Date: Friday, January 08, 2021

Statistics: 2401 words Plagiarized / 8894 Total words
Remarks: Medium Plagiarism Detected - Your Document needs Selective Improvement.
-------------------------------------------------------------------------------------------

SKRIPSI PENGELOMPOKKAN DATA DISABILITAS DI KABUPATEN CIREBON DENGAN

K-MEANS UNTUK EFISIENSI PEMBAGIAN BANTUAN SOSIAL / Disusun oleh: Nama :
DUDI NIM : Konsentrasi : REKAYASA PERANGKAT LUNAK (RPL) PROGRAM STUDI
TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
(STMIK) IKMI CIREBON 2020
SKRIPSI PENGELOMPOKKAN DATA DISABILITAS DI KABUPATEN CIREBON DENGAN
K-MEANS UNTUK EFISIENSI PEMBAGIAN BANTUAN SOSIAL
GROUPING PEOPLE WITH DISABILITY DATA IN CIREBON DISTRICT WITH K-MEANS FOR
EFFICIENCY OF SOCIAL ASSISTANCE SHARING Diajukan untuk memenuhi salah satu
syarat memperoleh gelar Sarjana HALAMAN JUDUL / Disusun oleh: Nama : DUDI NIM :
Konsentrasi : Teknik Komputer Jaringan PROGRAM STUDI TEKNIK INFORMATIKA
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER (STMIK) IKMI CIREBON
2020
 HALAMAN PENGESAHAN PENGELOMPOKKAN DATA DISABILITAS DI KABUPATEN
CIREBON DENGAN K-MEANS UNTUK EFISIENSI PEMBAGIAN BANTUAN SOSIAL
GROUPING PEOPLE WITH DISABILITY DATA IN CIREBON DISTRICT WITH K-MEANS FOR
EFFICIENCY OF SOCIAL ASSISTANCE SHARING Dipersiapkan dan Disusun oleh DUDI
41160123 Telah diujikan dan dipertahankan dalam Sidang Ujian Skripsi
Program Studi Teknik Informatika Jenjang Sarjana
STMIK IKMI Cirebon
pada hari Nama Hari, tanggal ujian skripsi Menyetujui, Ketua Program Studi Teknik
Informatika Gifthera Dwilestari, S.I.Kom NIDN: - Mengetahui,
Ketua STMIK IKMI Cirebon Dr. Dadang Sudrajat, S.Si, M.Kom NIDN.

0418046301
 HALAMAN PERSETUJUAN PENGELOMPOKKAN DATA DISABILITAS DI KABUPATEN
CIREBON DENGAN K-MEANS UNTUK EFISIENSI PEMBAGIAN BANTUAN SOSIAL
GROUPING PEOPLE WITH DISABILITY DATA IN CIREBON DISTRICT WITH K-MEANS FOR
EFFICIENCY OF SOCIAL ASSISTANCE SHARING Dipersiapkan dan Disusun oleh DUDI
41160123 Telah diujikan dan dipertahankan dalam Sidang Ujian Skripsi
Program Studi Teknik Informatika
STMIK IKMI Cirebon
pada hari NamaHari, tanggal ujian skripsi Pembimbing I Ketua Tim Penguji
__________________ .................................. NIDN. NIDN. 0 Anggota Tim Penguji Pembimbing II
____________ .................................... NIDN.

NIDN Skripsi ini telah diterima sebagai salah satu persyaratan untuk memperoleh gelar
Sarjana Komputer Cirebon, tanggal ujian skripsi
Ketua Prodi Teknik Informatika Gifthera Dwilestari, S.I.Kom NIDN: -
HALAMAN PERNYATAAN KEASLIAN SKRIPSI Yang bertandatangan di bawah ini, Nama
mahasiswa : DUDI NIM : 41160123 Konsentrasi : Rekayasa Perangkat Lunak Menyatakan
bahwa Skripsi dengan judul berikut: Tuliskan Judul Skripsi Bahasa Indonesia Dosen
Pembimbing Utama : Dosen Pembimbing Pendamping : Karya ilmiah ini adalah
benar-benar ASLI dan BELUM PERNAH diajukan untuk mendapatkan gelar akademik,
baik di STMIK IKMI Cirebon maupun di Perguruan Tinggi lainnya Karya tulis ini
merupakan gagasan, rumusan dan penelitian SAYA sendiri, tanpa bantuan pihak lain
kecuali arahan dari Tim Dosen Pembimbing Dalam karya tulis ini tidak terdapat karya
atau pendapat orang lain, kecuali secara tertulis dengan jelas dicantumkan sebagai
acuan dalam naskah dengan disebutkan nama pengarang dan disebutkan dalam Daftar
Pustaka pada karya tulis ini Perangkat lunak yang digunakan dalam penelitian ini
sepenuhnya menjadi tanggung jawab SAYA, bukan tanggung jawab STMIK IKMI Cirebon
Pernyataan ini SAYA buat dengan sesungguhnya, apabila di kemudian hari terdapat
penyimpangan dan ketidakbenaran dalam pernyataan ini, maka SAYA bersedia
menerima SANKSI AKADEMIK dengan pencabutan gelar yang sudah diperoleh, serta
sanksi lainnya sesuai dengan norma yang berlaku di Perguruan Tinggi Cirebon, tanggal
ujian skripsi Yang Menyatakan, Meterai Asli Rp 6.000 DUDI
HALAMAN PERSEMBAHAN Alhamdulillah, Segala puji bagi Allah SWT, kita memuji-Nya,
dan meminta pertolongan, pengampunan serta petunjuk kepada-Nya.

Kita berlindung kepada Allah dari kejahatan diri kita dan keburukan amal kita. Barang
siapa mendapat dari petunjuk Allah, maka tidak akan ada yang menyesatkannya dan
barang siapa yang sesat maka tidak ada pemberi petunjuk baginya. Aku bersaksi bahwa
tidak ada Tuhan selain Allah dan bahwa Muhammad adalah hamba dan Rasul-Nya.
Semoga do’a, shalawat tercurah pada junjungan dan suri tauladan kita Nabi Muhammad
SAW, keluarganya, dan sahabat serta siapa saja yang mendapat petunjuk hingga hari
kiamat. Aamiin.

Persembahan sktipsi ini dan rasa terimakasih aku ucapkan untuk : Keluarga tercinta,
kedua orang tuaku serta adik-adiku yang telah memberikan kasih sayang, do’a,
dukungan serta motivasi baik secara moril maupaun materil untuk selalu terikat dengan
hukum syara dan menjadi orang yang bahagia di dunia maupun di akhirat. Dosen -
dosen pembimbing STMIK IKMI Cirebon yang sentiasa juga dalam memberikan
bimbingan dengan penuh kesabaran dalam proses penyusunan dan penulisan skripsi
dari awal sampai selasai. Adik – adik tingkat semoga kalian lebih baik lagi dalam
melukan penelitian. Bagi yang membaca karya tulis ini, semoga memberikan kalian
inspirasi dan motivasi untuk mengembakan pelelitian ini.
 HALAMAN MOTTO (Bila ada) Motto harus dituliskan dengan singkat, resmi, sederhana,
tidak terlalu banyak, serta dapat diambil dari kata mutiara, ungkapan tokoh, atau Kitab
Suci. Motto yang terlalu panjang justru cenderung tidak diperhatikan.
 KATA PENGANTAR Assalamu’alaikum Wr.Wb. Sega puji kehadirat Allah SWT., yang
telah memberikan taufiq dan hidayah-Nya, rahmat dan maghfirah-Nya sehingga penulis
dapat menyelesaikan Skripsi ini dengan baik. Shalawat dan salam semoga tetap
tercurahkan kepada suritauladan kita Rasulullah Muhammad SAW. Amin.

Skripsi ini merupakan salah satu syarat wajib mahasiswa untuk memperoleh gelar Strata
1 (S1) di Program Studi Teknik Informatika Jenjang Sarjana (S1) STMIK IKMI Cirebon.
Sejauh ini penulis menyadari sepenuhnya, bahwa masih banyak kekurangan-kekurangan
pada Skripsi ini, karena terbatasnya kemampuan dan pengetahuan yang penulis miliki.
Dalam penyusunan Proposal Skripsi ini, penulis mendapat bimbingan dan bantuan dari
berbagai pihak. Oleh karena itu, perkenankanlah pada kesempatan ini penulis
mengucapkan terimakasih kepada : Bapak Dr. Dadang Sudrajat, S.Si., M.Kom, selaku
Ketua STMIK IKMI Cirebon. Bapak Dian Ade Kurnia, M.Kom., selaku Wakil Ketua I STMIK
IKMI Cirebon. Ibu Dra. Nining R., M.Si., selaku Wakil Ketua II STMIK IKMI Cirebon. Bapak
H. Eka Jayawangsa, BBA., selaku Wakil Ketua III STMIK IKMI Cirebon.

Ibu Gifthera Dwilestari, S.I.Kom selaku Ketua Program Studi Teknik Informatika STMIK
IKMI Cirebon. Bapak Arief Rahmat,M.Pd. selaku Wakil Kepala Sekolah bidang Sarana dan
Prasaran yang telah memberikan ijin dan memfasilitasi untuk melakukan penelitian
tersebut. Ibunda dan Ayahanda yang telah memberikan dukungan baik moril maupun
materil. Terimakasih atas doa, dukungan, kesabaran serta kasih sayangnya.
Teman-temanku dan semua pihak yang sudah membantu, terimakasih banyak. Akhir
kata tiada gading yang tak retak, begitu juga dengan penyusunan Skripsi ini.

Dan penulis mengharapkan kritik dan saran yang membangun dari pembaca untuk
penulisan laporan yang lebih baik lagi. Semoga Skripsi ini bermanfaat bagi semua
pembaca. Aamiin. Wassalamu’alaikum Wr. Wb. Cirebon, Februari 2020 Penulis
 DAFTAR ISI HALAMAN JUDUL 2 HALAMAN PENGESAHAN i HALAMAN PERSETUJUAN
ii HALAMAN PERNYATAAN KEASLIAN SKRIPSI iii HALAMAN PERSEMBAHAN iv
HALAMAN MOTTO v KATA PENGANTAR vi DAFTAR ISI viii DAFTAR TABEL xi DAFTAR
GAMBAR xii ABSTRAK xiii ABSTRACT xiv BAB I PENDAHULUAN 15 1.1. Latar Belakang
Masalah 15 1.2. Rumusan Masalah 2 1.3. Batasan Masalah 2 1.4. Tujuan Penelitian 3 1.5.
Manfaat Penelitian 4 BAB II TINJAUAN PUSTAKA 5 2.1. Literatur Review 5 2.2. Keaslian
Penelitian 8 2.3.

Landasan Teori 12 2.3.1. Penyandang Disabilitas 12 2.3.2. Data Mining 23 2.3.3.

Clustering 27 2.3.4. Partisi Clustering 28 2.3.5. Metode K-Means 29 BAB III METODE
PENELITIAN 32 3.1. Jenis, Sifat, dan Pendekatan Penelitian 32 3.2. Metode Pengumpulan
Data 32 3.2.1. Observasi 32 3.2.2. Wawancara 33 3.3. Metode Analisis Data 34 3.4. Alur
Penelitian 37 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 38 4.1. Hasil Penelitian 38
4.1.1. Lokasi Penelitian 38 4.1.2. Pengelompokkan Data Disabilitas Di Kabupaten Cirebon
Dengan K-Means Untuk Efisiensi Pembagian Bantuan Sosial 39 4.1.3 Evaluasi Hasil
Penerapan Algoritma K-Means 45 4.2. Pembahasan 45 BAB V PENUTUP 46 5.1. Simpulan
46 5.2.

Saran 46 DAFTAR PUSTAKA 47 LAMPIRAN 48 DAFTAR TABEL

DAFTAR GAMBAR
 ABSTRAK Pemerintah Kabupaten Cirebon setiap akhir tahun selalu melakukan kegiatan
penyuluhan bantuan social. Salah satu sasaran penyuluhan adalah kepada warga
penyandang disabilitas. Karena data penyandang disabilitas Kabupaten Cirebon cukup
banyak, maka perlu dikelompokkan berdasarkan wilayah yang memiliki warga dengan
penyandang disabilitas. Metode K-Means adalah metode yang tepat untuk
mengelompokkan data penyandang disabilitas. Hanya saja dalam menentukan nilai K
pada K-Means biasa masih manual. Maka K-Means akan dioptimasi dengan metode
elbow untuk menghasilkan klaster yang optimal.

Hasil klaster akan diukur dengan nilai davies bouldin index agar mengetahui
perbandingan hasil K-Means murni dengan yang sudah dioptimasi. Hasil
pengelompokkan ini akan dijadikan bahan pertimbangan bagi pemerintah Kabupaten
Cirebon dalam penyuluhan bantuan social dengan efisien. Kata Kunci : Cluster, K-Means,
elbow, davies bouldin index
ABSTRACT (ditulis dalam Bahasa Inggris)
BAB I
PENDAHULUAN Latar Belakang Masalah Teknologi sekarang sudah semakin canggih,
dimana hampitr semua kegiatan dapat diakses dengan teknologi, mulai dari pendidikan,
penjualan bahkan dalam arsip data sekarang sudah menggunakan teknoloigi.

Ketika melakukan sesuatu masih menggunakan manual akan mengakibatkan beberapa

kendala mulai seperti keakuratan data tidak bisa terjamin dan memerlukan waktu yang
lama karena bisa saja datanya terlalu banyak sehingga membutuhkan waktu yang tidak
sedikit. Di samping itu, keterlambatan dalam menerima informasi dapat menyebabkan
tertundanya pencapaian tujuan dan akhirnya akan menggangu perkembangan
organisasi[1]. Kabupaten Cirebon merupakan kota yang cukup besar dengan 32
kecamatan yang memiliki jumlah penduduk 703.358 jiwa orang dengan jenis kelamin
laki-laki dan perempuan.

Berdasarkan riset di Kabupaten cirebon terdapat penyandang disabilitas, dimana

jenis-jenis kecacatannya berbeda. Dalam waktu dekat pemerintah akan melaksanakan
penyuluhan bantuan social untuk penyandang disabilitas di seluruh kecamatan di
Kabupaten Cirebon. Untuk mengefisienkan penyuluhan ini diperlukan pengelompokkan
data berdasarkan tingkat penyandang disabilitas agar anggaran dana tepat sasaran dan
cepat disalurkan. Sebelum proses data mining dapat dijalankan, data harus diolah
melalui proses preprocessing data. Langkah awal yang dilakukan adalah melakukan
pembersihan data dari record yang memiliki null value, noise, serta data yang kurang
kekonsistenannya.

Selanjutnya data harus terintegrasi dengan database ataupun file. Setelah itu melakukan
transformasi data dengan cara normalisasi data dan agregasi data. Setelah melewati
langkah-langkah tersebut barulah data dapat digunakan untuk pemrosesan dalam
teknik data mining khususnya clustering[2]. Berdasarkan penelitian sebelumnya
Algoritma K-Means ialah suatu metode yang berguna untuk mengelompokkan suatu
data yang dilakukan berdasarkan pencarian pusat cluster secara iterative dimana letak
cluster masing-masing data ditemukan jarak minimum setiap data pada pusat cluster[3].
Penelitian selanjutnya dengan objek penelitian di SLB Shanti Yoga yang menjadi salah
satu sekolah luar bisa sebagai sarana pendidikan bagi anak berkebutuhan khusus
penyandang tunagrahita.

Tidak sedikitnya kriteria penentuan tingkat siswa tunagrahita menjadikan SLB Shanti
Yoga mengalami kesukaran dalam membagi kelas sesuai dengan hasil observasi yang
sudah dilakukan. Oleh karena itu, dibuatlah penelitian untuk mengelompokkan data
siswa penyandang tunagrahita guna menentukan kelas yang ditempati sehingga pihak
sekolah bisa mempersiapkannya. Algoritma K-Means dari teknik klastering dapat
menolong dalam pengelompokkan siswa yang akan menempati kelas mana yang
termasuk kelas ringan, sedang, maupun berat.

Metode yang dipakai dalam penelitian ini merupakan kuantitatif, dimana penelitiannya
yang sistematis terhadap beberapa bagian serta hubungannya[4]. Studi pustaka dan
literatur diatas, akan dijadikan landasan untuk penelitian ini, dimana penelitian ini
difokuskan pada Pengelompokkan Kecamatan Dengan Tingkat Penyandang Disabilitas
Tertinggi Dikabupaten Cirebon Menggunakan Algoritma K-Means. Maka dapat
disimpulkan bahwa Algoritma K-means sangat tepat digunakan untuk melaklukan
pengumpulan data penyandang disabilitas. Dengan begitu mengefisienkan waktu dalam
pengumpulan data, serta data yang diperoleh lebih akurat.

Setelah itu, dapat memudahkan memberikan pelayanan publik kepada penyandang

disabilitas dengan baik dan ramah. Berikut adalah data penyandang disabilitas
berdasarkan kecamatan dikabupaten cirebon yang didapatkan dari DISDUK CAPIL.
Sebagai berikut : Tabel 1 Data Jumlah Penyandang Disabilitas Berdasarkan Kecamatan /
Sumber data : DISDUK CAPIL Kab.Cirebon
Menurut tabel diatas data jumlah penyandang disabilitas berdasarkan kecamatan,
jumlah penyandang cacat terbanyak ada di kecamatan susukan. Penyandang cacat
terbanyak ada pada berjumlah 33 orang atau 14,67%.

Disusul kemudian pada kecamatan gebang 20 orang atau (12,44%) dan pada kecamatan
mundu sebanyak 18 orang atau dari total penyandang cacat. Menarik untuk dicermati
adalah tidak adanya penyandang cacat pada kecamatan susukan lebak, kaliwedi, losari
dan suranenggala. Tabel 2 Data Penyandang Cacat Berdasarkan Jenisnya / Pada tabel di
atas terlihat bahwa total jumlah penyandang cacat di Kabupaten Cirebon hanya 225 jiwa
atau 0.01 % dari total penduduk kabupaten Cirebon.

Ini masih terbilang kecil baik dilihat menurut persentase maupun jumlah. Jika dilihat dari
wilayah, terlihat Kecamatan Sumber adalah kecamatan yang mempunyai jumlah
penyandang cacat terbesar diantara kecamatan lainnya. Sedangkan jika di lihat dari jenis
kecacatan, terlihat bahwa cacat fisik menjadi jenis kecacatan yang paling banyak di
derita. Sedangkan dari segi jenis kelamin, laki laki mempunyai persentase lebih banyak
52 % dari perempuan 48 %. Pengelompokkan data yang dilakukan masih dilakukan
masih manual, dengan begitu membutuhkan banyak waktu terutama dalam
pengelompokkan data sesuai dengan kecamatan yang dimana kabupaten cirebon
terdapat 32 kecamatan.

Sehingga menjadi kendala dalam penyaluran bantuan sosial dari pemerintah. Jika data
sudah dapat dikelompokkan makan akan lebih mudah dalam penyebarannya dan lebih
efisien. Maka dari itu berdasarkan permasalahan di atas peneliti mengusulka judul
penelitian “PENGELOMPOKKAN DATA DISABILITAS DI KABUPATEN CIREBON DENGAN
K-MEANS UNTUK EFISIENSI PEMBAGIAN BANTUAN SOSIAL ”Adapun yang menjadi
alasan peneliti melakukan penelitian ini adalah untuk memudahkan pegawai DISDUK
CAPIL dalam pengelompokkan data penyandang disabilitas untuk efisiensi penyuluhan
bantuan sosial pemerintah Kabupaten Cirebon.

Rumusan Masalah Berdasarakan uraian latar belakang masalah, maka dapat diambil
rumusan masalah sebagai berikut : Bagaimana pengelompokkan data disabilitas di
Kabupaten Cirebon dengan K-Means untuk efisiensi pembagian bantuan sosial?
Bagaimana hasil dan evaluasi dari pengelompokkan data disabilitas di Kabupaten
Cirebon dengan K-Means untuk efisiensi pembagian bantuan sosial? Batasan Masalah
Berdasarkan rumusan pokok masalah di atas agar penelitian ini fokus pada masalah
yang diteliti, maka penelitian ini pengelompokkan data disabilitas di kabupaten cirebon
dengan k-means untuk efisiensi pembagian bantuan sosial.

Batasan masalah dalam penelitian ini sebagai berikut : Dataset yang digunakan adalah
data penyandang disabilitas per kecamatan di Kabupaten Cirebon Analisis klastering
yang digunakan adalah K-Means Tools yang digunakan untuk penelitian ini adalah
Rapid Miner Tujuan Penelitian Tujuan Umum Berdasarkan permasalahan di atas, amaka
tujuan umum dari penelitian adalah untuk mengelompokkan data penyandang
disabilitas tertinggi menurut kecamatan di kabupaten cirebon dengan menggunakan
algortima k-means untuk mngetahui jumlah dan jenis kecacatan untuk melaksanakan
pelayanan publik yang ramah dan tidak ada lagi diskriminasi.

Tujuan Khusus Tujuan khusus penelitian ini antara lain sebagai berikut :
Mengelompokkan data disabilitas di Kabupaten Cirebon dengan K-Means untuk
efisiensi pembagian bantuan social. Mengetahui hasil dan evaluasi dari
pengelompokkan data disabilitas di Kabupaten Cirebon dengan K-Means untuk efisiensi
pembagian bantuan sosial. Manfaat Penelitian Berdasarka tujuan penelitian diatas, maka
manfaat yang dapat diberikan dalam penelitian ini terbagi emnajdi dua yaitu secara
teoritis dan prakatis.

Secara teoritis : Mengetahui penerapan algoritma k-mean dalam pengelompokkan

tingkat penyandang disabilitas di kabupaten cirebon Mengetahui algoritma k-mean
dalam membantu pengelompokkan data terutama penyandang disabilitas Mengetahui
pengaruh algoritma k-mean dalam pengelompokkan tingkat penyandang disabilitas di
kabupaten cirebon Secara praktis : Dapat digunakan DISDUK CAPIL dalam memudahkan
pengelompokkan data penyandang disabilitas Dapat digunakans sebagai literatur
pustaka di Kampus STMIK IKMI Cirebon Dapat digunakan sebagai abahn bacaan
Mahasiswa di Kampus STMIK IKMI Cirebon
BAB II
TINJAUAN PUSTAKA Literatur Review Penelitian sebelumnya pernah dilakukan oleh
Dewi,dkk menyatakan bahwa tidak sedikitnya tindak kriminalitas saat ini yang menjadi
perhatian serta pemberitaan di berbagai media massa. Aksi kejahatan sering dialami
saat ini ialah pembunuhan, baik pembunuhan yang tidak rencanakan maupun yang
terencana.

Aksi ini tidak sedikit menimbulkan ke khawatiran kepada masyarakat dikarenakan telah
banyaknya korban di sekitar mereka. Penelitian ini menjabarkan tentang Analisis Metode
K-means pada Pengelompokkan Kriminalitas berdasarkan Provinsi. Sumber data pada
penelitian ini merupakan kumpulan dari berbagai dokumen-dokumen keterangan Aksi
Kriminalitas dari Badan Pusat Statistik Nasional. Data yang digunakan pada penelitian ini
merupakan data dari tahun 2012 yang terdiri dari banyaknya 31 provinsi. Variable yang
digunakan yaitu cluster tingkat tinggi serta cluster tingkat rendah[5].

Penelitian selanjutnya yang pernah dilakukan oleh Windarto ,dkk menyatakan bahwa
Daerah resapan airmerupakan sebuah daerah tempat masuknya air dari permukaan
tanah ke dalam zona jenuh air sehingga membentuk suatu aliran air di dalam tanah.
Kurangnya daerah resapan air menjadi masalah saat ini, karena daerah resapan air
berfungsi untuk menampung debit air hujan yang turun di daerah tersebut agar tidak
terjadi banjir dan masalah kekeringan.Sumber data diambil dari situs Badan Pusat
Statistik Indonesia. Penelitian ini betujuan untuk mengelompokan daerah resapan air
menggunakan algortima datamining dengan metode K-Means.

Data yang digunakan dalam penelitian ini adalah data persentase rumah tangga
berdasarkan provinsi dan keberadaan area resapan air pada tahun 2017 yang terdiri dari
34 provinsi di Indonesia. Berdasarkan data tersebut dieproleh pengelompokan area
resapan air berdasarkan provinsi menjadi 2 clusteryaitu cluster tinggi (C1) dan cluster
rendahmenggunakan K-means clustering. Dari hasil penelitian diperoleh
pengelompokan menjadi 16 provinsi dengan cluster tinggi (C1) dan 18 provinsi dengan
clusterrendah (C2).

Hal ini dapat menjadi masukan pada pemerintah untuk provinsi yang memiliki daerah
resapan air rendah menjadi perhatian lebih berdasarkan cluster yang telah dilakukan[6].
Penelitian sebelumnya juga membahas tentang K-Means oleh Cici ,dkk pada
penelitiannya mengatakan bahwa penelitian ini membahas tentang metode k-means
pada pengelompokan wilayah pendistribusian listrik. Sumber data penelitian ini
dikumpulkan berdasarkan dokumen-dokumen keterangan energi yang dihasilkan oleh
Direktorat Jenderal Bea dan Cukai. Data yang digunakan dalam penelitian ini adalah
data dari tahun 2011-2017 yang terdiri dari 34 provinsi.
Variable yang digunakan jumlah pendistribusian listrik berdasarkan wilayah. Metode
yang digunakan untuk meyelesaikan kasus ini adalah memanfaatkan teknik datamining
dengan metode k-means. Data diolah dengan bantuan software RapidMiner dan
melakukan 2 cluster yaitu cluster tingkat distribusi tinggi (C1) dan cluster tingkat
distribusi rendah (C2). Cetroid data untuk cluster tingkat distribusi tinggi 33.622,87 dan
cetroid data untuk cluster tingkat distribusi rendah 2.352,402.Sehingga diperoleh
penilaian berdasarkan indeks wilayah pendistribusian listrik dengan 3provinsi cluster
tingkat distribusi tinggi yakni DKI Jakarta,Jawa Barat dan Jawa Timur dan 31provinsi
cluster tingkat distribusi rendah yakni Provinsi yang tidak terdapat dalam cluster tingkat
distribusi rendah. Hal ini dapat menjadi masukan kepada pemerintah, provinsi yang
menjadi prioritas tertinggi pada kegiatan pendistribusian listrik berdasarkan klaster yang
telah dilakukan[7].
Keaslian Penelitian Tabel 2.2

Matriks literatur review No _Judul _Peneliti, Media Publikasi, dan Tahun _Tujuan
Penelitian _Kesimpulan _Saran atau Kelemahan _Perbandingan _ _1 _Analisa Metode
K-Means pada Pengelompokan Kriminalitas Menurut Wilayah Sinta _Sinta ,dkk. Sumber
dari Seminar Nasional Sains & Teknologi Informasi (SENSASI) _Mengelompokkan tingkat
kriminalitas berdasarkan provinsi _cluster tinggi (C1) = 8 provinsi, diantaranya Sumatera
Utara, Sumater Selatan, Metro Jaya, Jawa Barat, Jawa Timur, Sulawesi Selatan, Sulawesi
Tengah, dan Papua. Dan cluster rendah (C2) = 23 Provinsi diantaranya Aceh, Sumatera
Barat, Riau, Jambi, Bengkulu, dan 18 provinsi lainnya. _Tambahkan algoritma lain
sebagai optimasi agar hasil yang di dapatkan lebih baik.

_Perbedaan antara hasil penelitian sebelumnya dengan penelitian yang akan dilakukan,
diantaranya berkaitan dengan metode yang digunakan, inovasi, serta kompleksitas
permasalahan yang diajukan sehingga perbedaan tidak sekedar pada objek penelitian _
_2 _Analisis Metode K-MEANS Pada Pengelompokan Keberadaan Area Resapan Air
Menurut Provinsi _Dinda ,dkk. Sumber dari Seminar Nasional Sains & Teknologi
Informasi (SENSASI) _mengelompokan daerah resapan air menggunakan algortima
datamining dengan metode K-Means _Berdasarkan penelitian yang telah dilakukan
maka dapat disimpulkan bahwa K-means Clusteringpada pengelompokan keberadaan
area resapan air berdasarkan provinsi dapat diterapkan. Data diolah menjadi 2
clusteryaitu cluster tinggi dan cluster rendah. _Seharusnya ditambahkan Algoritma lain
sebagai optimasi untuk mendapatkan hasil yang lebih baik.

_Perbedaan antara hasil penelitian sebelumnya dengan penelitian yang akan dilakukan,
diantaranya berkaitan dengan metode yang digunakan, inovasi, serta kompleksitas
permasalahan yang diajukan sehingga perbedaan tidak sekedar pada objek penelitian _
_3 _Metode K-Means Pada Pengelompokan Wilayah Pendistribusian Listrik _Cici ,dkk.
Sumber dari Seminar Nasional Sains & Teknologi Informasi (SENSASI)
_Mengelompokkan wilayah pendistribusian listrik _Untuk melakukan penilaian terhadap
hasil wilayah pendistribusian listrik dapat menerapkan metode clustering K-Means.

Data diolah untuk memperoleh nilai dari pendistribusian listrik. Data tersebut diolah
menggunakan Rapidminner untuk ditentukan nilai centroid dalam 2 cluster yaitu cluster
tingkat distribusi tinggi dan cluster tingkat distribusi rendah. _Seharusnya ditambahkan
informasi dan menyebutkan daerah yang rawan dengan bencana tsunami _Perbedaan
antara hasil penelitian sebelumnya dengan penelitian yang akan dilakukan, diantaranya
berkaitan dengan metode yang digunakan, inovasi, serta kompleksitas permasalahan
yang diajukan sehingga perbedaan tidak sekedar pada objek penelitian _ _
Landasan Teori Penyandang Disabilitas Pengertian penyandang disabilitas, berdasarkan
Pasal 1 ayat (1) UU No.

8/2016 tentang Penyandang Disabilitas, adalah “setiap orang yang mengalami

keterbatasan fisik, intelektual, mental dan/atau sensorik dalam jangka waktu lama yang
dalam berinteraksi dengan lingkungan dapat mengalami hambatan dan kesulitan untuk
berpartisipasi secara penuh dan efektif dengan warga negara lainnya berdasarkan
kesamaan hak”. Penyandang disabilitas harus mendapat perlindungan. Pasal 1 ayat (5)
UU No. 8/2016 menentukan perlindungan terhadap penyandang disabilitas merupakan
upaya yang dilakukan secara sadar untuk melindungi, mengayomi dan memperkuat hak
penyandang disabilitas.

Sebagai bagian dari warga negara, sudah sepantasnya penyandang disabilitas

mendapatkan perlakuan khusus, sebagai upaya perlindungan dari kerentanan terhadap
berbagai tindakan diskriminasi dan pelanggaran hak asasi manusia. Perlakuan khusus
dapat dipandang sebagai upaya maksimalisasi penghormatan, pemajuan, perlindungan,
dan pemenuhan hak asasi manusia secara universal. Penyandang disabilitas kondisinya
beragam, ada yang mengalami disabilitas fisik, disabilitas mental, dan gabungan
disabilitas fisik dan mental.

Kondisi penyandang disabilitas berdampak pada kemampuan untuk berpartisipasi di

tengah masyarakat, sehingga memerlukan dukungan dan bantuan dari orang lain [4].
Klasifikasi Fisik Anak Berkebutuhan Khusus Menurut Munawir Yusuf, anak berkebutuhan
khusus terbagi menjadi dua, yaitu [8]: Potensi CIBI: Cerdas Istimewa yaitu seseorang
yang memiliki kelebihan berfikir cepat, kreatif, mandiri, tanggung jawab terhadap tugas,
prestasinya membanggakan. Namun, orang yang memiliki kecerdasan istimewa ini
memiliki keluhan sering merasa tidak puas.

Berbakat (CIBI) yaitu seseorang yang memiliki bakat sangat menonjol dalam bidang
akademik, olahraga, seni dan/atau kepemimpinan yang sangat baik melebihi tingkat
perkembangan usia teman sebayanya. Seseorang disebut cerdas istimewa dan/atau
bakat istimewa apabila setelah diukur dengan menggunakan tes kecerdasan baku
menghasilkan IQ di atas 110 (Superior, Gifted, Talented), kreativitas dan task
commitment di atas rata-rata. Karakteritik anak berkebutuhan khusus fisik yaitu terdapat
empat menurut salah satu artikel penelitian seperti [9] : Tunanetra Anak tunanetra dapat
diartikan sebagai anak-anak yang mengalami gangguan pada fungsi penglihatan.

Ketunatraan didefinisikan berdasarkan fungsi atau kemampuan penglihatan yang

bertujuan untuk membantu mempermudah dalam penyediaan layanan baik dalam
bentuk akademik maupun layanan tambahan sebagai keterampilan pendamping. Djaja
Rahardja dan Sujarwanto serta Gargiulo mendefenisikan ketunanetraan menjadi 3
kategori yaitu buta buta, buta fungsional dan low vision. Seorang anak dikatakan
mengalami kebutaan apabila mereka hanya memiliki sedikit persepsi tentang
rangsangan cahaya yang diterima atau mungkin tidak mampu mengidentifikasi apapun
dengan kemampuan penglihatannya dengan kata lain disebut buta total.

Anak-anak pada kategori ini memanfaatkan indera pendengaran dan perabanya sebagai
alat utama untuk mendapatkan informasi tentang keadaan sekitar. Tunarungu
Tunarungu adalah gangguan pendengaran, dimana anak yang mengalami
ketunarunguan adalah mengalami permasalahan pada hilangnya atau berkurangnya
kemampuan pendengaran. Andrean Dwijosumarto menyatakan bahwa anak dikatakan
tunarungu jika mereka tidak mampu atau kurang mampu mendengar. Tunarungu dapat
dibedakan menjadi 2 kategori yaitu tuli dan kurang dengar.

Tuli merupakan suatu kondisi dimana seseorang benar-benar tidak dapat mendengar
dikarenakan hilangnya fungsi dengar pada telinganya. Tunadaksa Tunadaksa dalam
konteks pendidikan khusus di Indonesia dapat diartikan sebagai gangguan motorik.
Dalam konteks lain dapat kita temui sebagai anak dengan hambatan gerak yang
disebabkan oleh permasalahan pada organ gerak pada tubuh. Somantri menjelaskan
bahwa tunadaksa merupakan keadaan yang tidak umum yang kurang baik atau masalah
yang disebabkan karena bentuk abnormal atau organ tulang, otot, dan sendi tidak
dapat berfungsi dengan baik.

Tuna wicara Terdapat ciri-ciri yang menghambat kemajuan bahasa serta komunikasi
individu, antara lain: Kurang memperhatikan guru saat pembelajaran berlangsung.
Sering kali memohon pengulangan penjelasan dari guru saat di kelas. Kesulitan
memahami petunjuk secara lisan. Kesulitan berpartisipasi secara oral. Ketergantungan
terhadap petunjuk dan intruksi saat di kelas. Terjadinya hambatan dalam kemajuan
bahasa serta wicara. Perkembangan intelektual terganggu. Kemampuan akademik yang
rendah. Pelaksanaan pembelajaran anak tuna wicara di ruang khusus, media yang
digunakan cermin, kartu huruf, kartu kata, dan lembar kerja bergambar.

Metode pembelajaran yang digunakan adalah ceramah disini guru membacakan kata
dan anak menirukan. Apabila anak kurang jelas pelafalannya guru akan mengulangi kata
dan kata tersebut dipecah-pecah persuku kata kemudian perhuruf sampai anak dapat
melafalkan dengan baik. Anak juga diminta menjelaskan gambar yang dilihat dan
menuliskannya dilembar kerja [10].

Selain itu Munawir Yusuf menyebutkan anak yang berkebutuhan khusus fisik yaitu [8] :
Anak tuna grahita (anak dengan keterbelakangan mental) Anak dengan kondisi seperti
ini menyebabkan dirinya mengalami hambatan dalam kegiatan belajar dan melakukan
berbagai fungsi dalam kehidupannya serta penyesuaian dirinya. Pada umumnya, usia 10
tahun anak penyandang kondisi tersebut belum dapat berbicara, membaca dan menulis,
serta belum dapat membantu dirinya sendiri seperti memakai baju, membersihkan diri
dan kegiatan sehari-harinya [11].

Sehingga anak penyandang tuna grahita mengalami kesulitan untuk menjadi individu
yang dapat melakukan adaptasi sosial dengan lingkungannya. Ciri-ciri anak tuna grahita
yaitu: Memiliki dasar fisik, sosial emosional yang mirip dengan anak normal pada
umumnya. Memiliki sifat eksternal locus of control (mudah melakukan kesalahan).
Mudah meniru perilaku benar orang lain dengan tujuan mengatasi kemungkinan
kesalahan yang ia akan lakukan. Tidak bisa mengatur diri sendiri Memiliki permasalahan
berkaitan dengan perilaku sosial.

Kesulitan belajar Kesulitan belajar atau yang disebut juga learning disability merupakan
learning disorder or learning difficulty merupakan kelainan yang mengakibatkan
individu mengalami kesulitan untuk melakukan kegiatan belajar dengan efektif. Anak
yang memiliki gangguan ini, dapat mempengaruhi kemampuan berfikir, membaca,
berhitung, serta berbicara. Anak yang mengalami kesulitan belajar ada yang memiliki IQ
rata-rata dan juga di atas rata-rata, mengalami gangguan secara motorik, mengalami
gangguan orientasi arah serta ruang dan mengalami hambatan dalam perkembangan
konsep.

Faktor yang menyebabkan learning disability ialah karena disfungsi otak yang terjadi
secara minimal. Otak merupakan perangkat utama dan berpengaruh terhadap
keberhasilan suatu individu dalam melakukan berbagai aktifitas. Menurut Reid
menyatakan bahwa kesusahan belajar umumnya tidak dapat diidentifikasi hingga anak
mengalami kegagalan dalam menyelesaikan beberapa tugas akademik yang harus
dilakukannya. Hyperactive Hyperactive merupakan gejala kelainan yang dialami oleh
anak seperti in-atensi, hiperaktifitas dan inpulsivitas.

Anak hiperaktif memerlukan terapi farmakologi yang dikombinasikan dengan terapi

perilaku dengan tujuan mengantisipasi perbuatan kriminal di masa depang. Adapun
ciri-ciri anak yang mengalami hiperaktiv adalah: Tidak mau diam saat di dalam kelas,
hanya bisa diam di tempat duduknya sekitar 5-10 menit. Sering mengganggu temannya.
Tidak mau menyelesaikan tugasnya atau mudah bosan. Memiliki hambatan
berkonsentrasi. Kurang memperhatikan saat orang lain berbicara.

Klasifikasi Psikis Anak Berkebutuhan Khusus Berkesulitan Belajar Spesifik Specific

learning disabilities adalah sekelompok gangguan yang dapat menyebabkan individu
mengalami kesusahan dalam mengintrepretasikan apa yang ia lihat, dengar, dan
menghubungkan informasi dari berbagai bagian otak. Dengan adanya masalah ini,
sehingga dapat menimbulkan seseorang kesusahan dalam melakukan kegiatan belajar
yang spesifik, seperti membaca, menulis, mendengarkan, berbicara, pemahaman, dan
menghitung aritmatik [12]. Dyslexia berasal dari kosak kata Yunani (Greek), “dys” yang
berarti kesusahan, “lexis” berarti kata.

Abigail memaparkan disleksia adalah kesusahan belajar primer berkaitan dengan

permasalahan bahasa tulisan seperti membaca, menulis mengeja, serta pada beberapa
kasus kesulitan dengan angka, karena adanya kelainan neurologis yang kompleks,
kelainan struktur serta fungsi otak. Menurut Critchley disleksia ialah: “Kesulitan belajar
membaca, menulis, dan mengeja (disortografi), tanpa adanya gangguan sensorik perifer,
inteligensi yang rendah, lingkungan yang kurang menunjang (di rumah, di sekolah),
problemaemosional primer atau kurang motivasi. Dalam Sidiarto bukunya
Perkembangan Otak dan Kesulitan Belajar pada Anak, menjelaskan klasifikasi disleksia
sebagai berikut.

Disleksia dan Gangguan Visual Helmer Myklebust berpendapat Disleksia jenis ini disebut
disleksia diseidetisatau disleksia visual. Kelainan ini jarang, hanya didapat pada 5% kasus
disleksia. Gangguan fungsi otak bagian belakang dapat menimbulkan gangguan dalam
persepsi visual (pengenalan visual tidak optimal, membuat kesalahan dalam membaca
dan mengeja visual), dan defisit dalam memori visual. Adannya rotasi dalam
bentukhuruf-huruf atau angka yang hampir mirip bentuknya, bayangan cermin (b-d,
p-q, 5-2, 3-E,) atau huruf , angka terbalik (inversion) seperti m-w, n-u, 6-9. Hal ini terlihat
nyata pada tulisannya.

Disleksia dan Gangguan Bahasa Disleksia ini disebut disleksia verbal atau
linguistik.Beberapa penulis menyebutkan prevalensi yang cukup besar yaitu 50-80%.
Lima puluh persen dari jenis ini mengalami keterlambatan berbicara (disfasia
perkembangan) pada masa balita atau prasekolah. Legien dan Bouma menyebutkan
kelainan ini didapatkan pada sekitar 4% dari semua anak laki-laki serta 1% pada anak
perempuan. Gejala berupa kesulitan dalam diskriminasi maupun persepsi auditoris
(disleksia disfonemmis) seperti p-t, b-g, t-d, t-k; kesulitan mengeja secara auditoris,
kesulitan penyebutan atau menemukan kata atau kalimat, urutan auditoris yang kacau
(sekolah?sekolha).

Hal ini berdampak pada imla atau menyusun karangan. Disleksia dengan Diskoneksi
Visual-Auditoris Disleksia ini disebut sebagai disleksia auditoris adalah gangguan pada
kondisi visualauditoris (grafem-fonem), anak membaca lambat. Dalam hal ini, bahasa
verbal serta persepsi visualnya baik. Apa yang dilihat tidak bisa dinyatakan dalam bunyi
bahasa. Terdapat gangguan dalam “crossmodal (visual-auditory) memory retrieval”.
Bakker, et al, membagi disleksia menjadi 2 tripologi, yaitu sebagai berikut: L-Type
dyslexia (linguistic) Anak membaca relatif cepat namun dengan membuat kesalahan
seperti menghilangkan (omission), menambahkan (addition), atau mengganti huruf
(subtitution), serta kesalahan multi-kata lainnya. P-Type Dyslexia (perspective) Anak
cenderung membaca lambat dan sering membuat kesalahan seperti fragmentasi
(membaca terputusputus) dan mengulang-ulang (repetisi).

Dari dua tripologi di atas dapat dismipulkan bahwa jarang terdapat hanya satu jenis
disleksia yang murni, kebanyakan gabungan dari berbagai jenis disleksia, dimana
terdapat gangguan dalam kendala wicara bahasa, membaca, serta bahasa tulis[13].
Faktor Penyebab Anak Berkebutuhan Khusus Faktor penyebab kelainan pada anak
berkebutuhan khusus yaitu [14] : Faktor penyebab Internal, penyebab faktor internal
adalah berbagai penyebab yang terjadi berasa dari dalam diri anak itu sendiri. Misalnya
anak dilahirkan dengan membawa kecacatan atau kelainan. Faktor penyebab Eksternal,
penyebab faktor eksternal adalah berbagai penyebab yang terjadi diluar diri anak itu
sendiri. Misalnya terjatuh atau pengaruh lingkungan yang kurang menunjang.

Terdapat penyebab yang dapat dilihat dari waktu terjadinya gangguan yaitu : Faktor
penyebab yang terjadi saat prenatal (dalam kandungan) Segala penyebab yang terjadi
pada saat sebelum dilahirkan (dalam kandungan ibu), sebab-sebab yang terjadi pada
saat prenatal meliputi: Anoxia (kekurangan oxigen), pada tri semester pertama bayi
sangat sensitif terhadap kekurangan oxigen, yang sangat berpengaruh terhadap
pendarahan pada janin. Gangguan ini terjadi diakibatkan karena terjadinya pendarahan,
lilitan placenta pada saluran nafas, dan tekanan yang terjadi saat ibu terjatuh saat
kehamilan.

Maternal infection diseases yaitu infeksi yang terjadi akibat penyakit atau kelainan yang
dialami ibu saat hamil, misalnya campak (Rubella), infeksi akiba toxoplasma. Faktor
penyebab yang terjadi saat natal Segala penyebab yang terjadi pada saat lahir atau
partus seperti: anoxia atau asphyxia yaitu kekurangan oxigen saat dilahirkan, akibat dari
tali pusat yang tidak sesuai posisinya, pinggul ibu yang tidak lebar, salah obat, disaat ibu
hamil menkonsumsi obat-obatan dengan dosis yang tidak wajar sehingga menimbulkan
proses pernafasan yang tidak panjang, suhu badan lebih dingin, yang berakibat
kerusakan otak pada janin, dan trauma.

Hal ini terjadi akibat partus yang sulit misalnya: kepala yang melebihi proporsi atau
ukuran kepala yang lebih besar, penggunaan vacum exractic, waktu partus terlalu lama,
bayi berhenti di cervic, letak bayi sunsang, perubahan yang mendadak pada kelahiran
caesar, prematuritis, kelahiran yang tidak cukup waktu dan berat badan, meningritis
purulenta, peradangan yang terjadi pada saat selaput otak yang menimbulkan
perlengketan dan rusaknya sel otak. Faktor penyebab yang terjadi saat postnatal Segala
penyebab yang terjadi setelah lahir sampai usia 3 tahun.

Sebab terjadinya kelainan pada saat postnatal meliputi: trauma (terjadi kecelakaan,
geger otak atau brain damage), infeksi yang terjadi pada otak, misalnya seperti
meningitis (selaput otak), encephalitis (sel-sel otak), emningoencephalitis, neoplasma
misalnya tumor dan kanker otak, intoxikasi (keracunan makanan dan obat-obatan),
anoxia, asphyxia, gangguan pembuluh darah ke otak Data Mining Menurut Widodo data
mining adalah analisa terhadap data untuk menemukan hubungan yang jelas serta
menyimpulkannya yang belum diketahui sebelumnya dengan cara terkini dipahami dan
berguna bagi pemilik data tersebut.

Secara garis besar, data mining dikelompokkan menjadi 2 kategori utama, yaitu [15]:
Descriptive mining, merupakan proses untuk mencari karakteristik penting dari data
dalam satu database. Teknik data mining yang termasuk descriptive mining ialah
clustering, asosiation, dan sequential mining. Predictive, merupakan proses untuk
menemukan pola dari data dengan menggunakan beberapa variable lain di masa
depan. Salah satu teknik yang terdapat dalam predictive mining ialah klasifikasi. Secara
sederhana data mining biasa disebut sebagai proses penyaring atau “menambang”
pengtahuan dari sejumlah data yang besar.

Istilah lain untuk data miing adalah Knowlegde Discoveryin Database (KDD). Gambar 1.
Proses KDD Berdasarkan gambar diatas dijelaskan bahwa data mining bagian dari
proses knowledge discovery in database (KDD). Berikut adalah penjelasannya : Data
Selection Membuat himpunan data target, pemilihan himpunan data, atau
memfokuskan pada subset variabel atau sampel data, dimana penemuan (discovery) ini
akan dilakukan proses mining. Hasil seleksi disimpan dalam berkas, terpisah dari basis
data operasional. Pre-processing / Cleaning Pre-processing dan cleaning data
merupakan operasi dasar yang dilakukan seperti menghapus noise.

Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang
inkonsisten, dan memperbaiki kesalahan pada data,seperti kesalahan cetak. Data bisa
diperkaya dengan data atau informasi ekternal yang relevan. Transformation Ialah
proses integrasi pada data yang telah dipilih, sehingga data sesuai untuk proses data
mining. Merupakan proses yang sangat bergantung pada jenis atau pola informasi yang
dicari dalam basis data. Data mining Pemilihan tugas data mining adalah pemilihan goal
atau tujuan dari proses KDD, seperti karakterisasi, klasifikasi, regresi, clustering, asosiasi,
dan lain sebagainya.
Pemilihan teknik, metode atau algoritma yang tepat sangat bergantung pada tujuan dan
proses KDD secara keseluruhan. Interpretation/ Evaluation Merupakan penerjemahan
beberapa pola yang dihasilkan dari data mining. Pola informasi yang dihasilkan butuh
ditampilkan dalam bentuk yang dimengerti. Tahap ini melakukan pemeriksaan apakah
pola atau informasi yang ditemukan apakah bertolak belakang dengan fakta atau
hipotesa yang ada sebelumnya. Tujuan dari data mining: Explonatory, yaitu untuk
menjelaskan beberapa kegiatan kondisi atau opservasi. Confirmatory, ialah untuk
mengkonfirmasi suatu hipotesis yang sudah ada sebelumnya.

Exploratory, yaitu untuk menganalisis data baru suatu relasi yang jangggal atau tidak
umum. Clustering Menurut Widodo clustering atau klasifikasi adalah metode yang
digunakan untuk membagi rangkaian data menjadi beberapa group berdasarkan
kesamaan-kesamaan yang telah ditentukan sebelumnya. Cluster adalah sekelompok
atau sekumpulan objek-objek data yang similar atau mirip satu sama lain dalam cluster
yang sama, serta disimilarn terhadap objek-objek yang berbeda cluster.

Objek akan dikelomokkan ke satu atau lebih cluster, sehingga objek-objek yang berada
dalam satu cluster akan memiliki kesamaan yang tinggi antara satu dengan yang
lainnya[4]. Dengan menggunakan clustering ini, kita dapat mengkalsifikasikan daerah
yang padat, menemu-kan pola-pola distribusi secara keseluruhan, dan menemukan
keterkaitan yang menarik antara atribut data. Dalam data mining, usaha difokuskan
pada metode-metode penemuan untuk cluster pada basis data berukuran besar secara
efektif dan efisien.

Beberapa kebutuhan clustering dalam data mining meliputi skalabilitas, kemampuan

untuk menangani tipe atribut yang berbeda, mampu menangani dimensionalitas yang
tidak rendah, menangani data yang mempunyai noise, serta dapat diterjemakan dengan
mudah. Partisi Clustering Partitioning Clustering merupakan salah satu metode data
mining yang bersifat tanpa arahan (unsupervised). Konsep dasar dari Partitioning
Clustering adalah membagi n jumlah cluster ke dalam k cluster. Metode ini merupakan
metode pengelompakan yang bertujuan mengelompokan objek sehingga jarak antar
tiap objek ke pusat kelompok di dalam satu kelompok adalah minimum.

Cluster adalah kumpulan data dimana jika objek data yang terletak di dalam cluster
harus memiliki kemiripan, sedangkan yang tida berada dalam satu cluster tidak memiliki
kemiripan. Jika ada n objek pengamatan dengan p variable, maka sebelum di lakukan
pengelompokan data atau objek, terlebih dahulu menentukan ukuran kedekatan sifat
antar data. Ukuran data yang bisa di gunakan adalah jarak Euclidean distance, antar dua
objek dari p dimensi pengamatan.
Jika objek pertama yang diamati adalah: X = [X1,X2,……Xp] dan Y =[ y1,y2,……yp] adalah
: D(x,y) = v ?? ?? =1 (???? - ????)2 Dengan d adalah jarak antara titik pada data x dan titik
data y, dimana x = x1, x2,……xi dan y = y1,y2,……yi dan j mempresentasikan nilai atribut
serta p merupakan dimensi atribut [15]. Metode K-Means K-Means adalah salah satu
metode data clustering non hierarki yang prosesnya membagi data ke dalam bentuk
satu atau lebih cluster atau kelompok sehingga data yang memiliki karakteristik yang
persis dikelompokkan ke dalam satu cluster yang serupa dan data yang mempunyai
karakteristik berbeda dikelompokkan ke dalam kelompok lainnya. K-Means adalah
metode clustering berbasis jarak yang membagi data ke dalam sejumlah cluster dan
algoritma ini hanya bekerja pada atribut yang bersifat numeric[3].

Algoritma K-Means termasuk partitioning clustering yang memecah data ke k daerah

bagian yang terpisah. Algoritma K-Means sangat terkenal karena kemudahan serta
kemampuannya untuk mengcluster data yang besar dan data outlier dengan sangat
cepat. Dalam algoritma K-Means, setiap data harus termasuk ke cluster tertentu dan
bisa dimungkinkan bagi setiap data yang termasuk cluster tertentu pada suatu tahapan
proses, pada tahapan berikutnya berpindah ke cluster lainnya. Algoritma K-Means
merupakan metode nonhierarki yang pada awalnya mengambil separuh banyaknya
komponen populasi untuk dijadikan pusat cluster awal. Tahap ini pusat cluster dipilih
secara random dari sekumpulan populasi data.

Berikutnya K-Means menguji masing-masing komponen di dalam populasi data dan

menandai komponen tersebut ke salah satu pusat cluster yang telah didefinisikan
tergantung dari jarak minimum antar komponen dengan tiap-tiap cluster. Posisi pusat
cluster akan dihitung kembali sampai semua komponen data digolongkan kedalam
tiap-tiap pusat cluster dan terakhir akan terbentuk posisi pusat cluster yang baru.
Langkah-langkah melakukan clustering dengan menggunakan metode K-Means adalah
sebagai berikut: Menentukan nilai K, jumlah cluster Menentukan nilai centroid, alam
menentukan nilai centroid untuk awal iterasi, nilai awal centroid dilakukan secara acak.

Sedangkan nilai centroid ketika proses iterasi berlangsung, maka digunakan rumus : ???
= 1 ???? ??=0 ???? Keterangan: ?ij = data cluster ke- i kolom j Xkj= data ke-k kolom ke-j
Ni = banyaknya anggota kluster ke- i Menghitung jarak antara titik centroid dengan titik
tiap objeknya, dengan rumus Euclidean distance space tidak jarang digunakan dalam
perhitungan jarak, hal ini dikarenakan hasil yang diperoleh adalah jarak terpendek
antara dua titik yang diperhitungkan. Adapun persamaannya adalah sebagai berikut :
DL(x2- x1) = ??=1 ?? (??2- ??1??) 2 Keterangan DL(x2- x1) = Jarak objek antara objek i
dan j P = Dimensi data X2j = Koordinat dari obyek i pada dimensi k Xij = Koordinat dari
obyek j pada dimensi k Pengelompokkan objek untuk menentukan anggota cluster
adalah dengan mencari jarak minimum objek.
Kembali ke tahap kedua, lakukan perulangan hingga nilai centroid yang dihasilkan tetap
atau tidak berubah dan anggota cluster tidak berpindah ke cluster lainnya [16]
BAB III
METODE PENELITIAN Jenis, Sifat, dan Pendekatan Penelitian Jenis penelitian ini adalah
penelitian deskriptif ditunjukan untuk mendeskripsikan dan menggambarkan
fenomena-fenomena yang ada, baik bersifat alamiah maupun rekayasa yang dilakukan
manusia, yang lebih memperhatikan mengenai karakteristik, kualitas, keterkaitan antar
kegiatan. Sehingga dalam penelitian ini tidak memberikan perlakuan, manipulasi atau
pengubahan variabel yang diteliti, namun menggambarkan kondisi dengan apa
adanya[17].

Pendekatan penelitian ini menggunakan kuatitatif, hal ini sesuai dengan pernyataan
bahwa penelitian kuantitatif merupakan pendekatan untuk menguji teori objektif
dengan menguji hubungan antar variabel. Variabel ini pada gilirannya dapat diukur
dengan menggunakan instrumen, sehingga jumlah data dapat dianalisis memakai
prosedur statistik[18]. Metode Pengumpulan Data Dalam penelitian ini ada beberapa
metode yang digunakan dalam proses pengumpulan data diantaranya adalah :
Observasi Observasi atau pengamatan adalah suatu metode yang dilakukan peneliti
untuk memperoleh data dalam prose penelitian melalui pengamatan terhadap objek
penelitian. Informasai yang diperoleh berdasarkan hasil observasi terdapat ruang
(tempat), perilaku, kegiatan, objek, perbuatan, kejadian atau peristiwa, waktu dan
perasaan.

Peneliti menggunakan teknik pengumpulan data dengan observasi dengan melihat

langsung pegawai pada saat pengolahan data yang dilakukan disduk capil dalam
pengelompokkan data penyanadang disabilitas. Wawancara Wawancara merupakan
prisedur untuk memperoleh keterangan dengan cara tanya jawa langsung bertatap
muka antara pencari informasi dan peneliti. Wawancara yang dilakukan bisa
menggunkan pedoman wawancara atau bisa juga tidak, tetapi yang harus diperhatikan
pada saat mewawancarai narasumber adalah intonasi suara, kecepatan dalam berbica,
pertanyaan dan sebagainya.

Wawancara dengan Ibu Yuniar Proses pengolahan data yang seperti apa yang
digunakan disduk capil? Apa ada kesulitan pada saat proses pengolhan data? Apa saja
kesulitan yang dihadapi? Bagaimana solusinya dalam menghadapi kesulitan tersebut?
Pelayanan publik apa yang telah diberikan kepada penyandang disabilitas? Metode
dokumentasi Metode dokumentasi adalah sejumlah besar data yang berbentuk
dokomentasi, seoperti surat-surat, catatan harian, foto laporan dan sebaginya [19].
Dokumentasi dalam penelitian ini ialah foto kegiatan pada saat wawancara dengan
narasumber untuk mendukung prosedur penelitian ini.

Selian itu mengenai arsip dokumen disduk capil yang meliputi profil disduk capil, truktur
organisasi, kegiatan pelyanan publik yang telah diberikan dll. Instrumen Penelitian
Instrumen penelitian yang dilakukan peneliti ini ada 4, yaitu : Lampiran 1 : Instrumen
Observasi Lampiran 2 : Instrumen Wawancara Lampiran 3 : Instrumen Dokumentasi
Metode Analisis Data Menurut Noeng Muhadjir mengemukakan bahwa analisis data
upaya mencari dan menata secara sistematis data yang diperoleh dari berbagai sumber,
dimana un tuk meningkatkan pemahaman peneliti mengenai studi kasus yang sedang
ditelitinya.

Pengolahan data yang digunakan dalam penelitian ini ada tiga yaitu [20] : Pengumpulan
Data Pengumpulan data merupakan bagian dasar dari kegiatan analisis data.
Pengumpulan data yang digunakan oleh peneliti menggunakan wawancara, observasi
dan dokumentasi. Reduksi Data Reduksi data adalah proses pemilihan, pemusatan
perhatian pada penyederhanaan data kasaar yang dperoleh dari hasil pengamatan
dilapangan. Proses reduksi ini berlangsung selama proses pengamatan berlangsung,
sampai peneliti mendapatkan data yang benar-benar terkumpul sesuai yang
dibutuhkan.

Berdasarkan penejelasan diatas, peneliti melakukan reduksi data yang bersumber dari
hasil data yang diperoleh oleh peneliti dari wawancara, obervasi dan dokumentasi. Data
yang diperoleh itu akan diolah oleh peneliti sedemekian rupa dengan menyesuaikan
kebutuhan laporan penelitian . Penyajian Data Penyajian data merupakan proses
kegiatan pengumpulan informasi yang diperoleh peneliti selama proses pengamatan
dilapangan yang nantinya akan adanya penarikanm kesimpulan dan pengambilan
tindakan.

Penyajian data yang digunakan dalam penelitian ini berupa teks naratif berbentuk
catatan lapangan, foto dan yang lainnya. Penarikan Kesimpulan Upaya penarikan
kesimpulan yang dilakukan peneliti secara terus-menerus selama berada dilapangan.
Hasil dari pengolahan reduksi data diolah sedemikian rupa agar data yang didapatkan
lebih utuh karena akan memudahkan dalam pemaparan serta peneggasan kesimpulan.
Alur Penelitian Alur Penelitian ini dibagi menjadi beberapa Tahapan yang akan dilakukan
dalam penelitian ini adalah : Gambar 3.

2 Tahapan Alur Penelitian Pada gambar 4 diatas, berikut penjelasannya : Proses

clustering di mulai dari input data mentah yang berupa data pnyandang disabilitas
dikabupaten cirebon dari 32 kecamatan. Tahap kedua yaitu tahap pembersihan data
(cleaning) untuk membuang data yang tidak konsisten atau tumpah tindih. Apabila
sudah selesai maka didapatkan data yang sudah diproses atau data matang yang siap
untuk ke tahap selanjutnya. Tahap ketiga transformasi data, data yang menunjukkan
jenis disabilitasnya diubah ke dalam bentuk numerik.
Tahap keempat K-means clustering disini tahap k-means clustering adalah
pengelompokkan data yang sudah ada ke dalam tiga kelompok yaitu banyak, sedang
dan rendah.
BAB IV
HASIL PENELITIAN DAN PEMBAHASAN Hasil Penelitian Pengelompokkan Data
Disabilitas Di Kabupaten Cirebon Dengan K-Means Untuk Efisiensi Pembagian Bantuan
Sosial Data Desain Dalam melakukan penelitian ini menggunakan data yang di dapat
dari data penyandang disabilitas milik DISDUK CAPIL Kabupaten Cirebon. Tabel 4. 1
Data Set/ Data yang digunakan sebagai sampel 42 data yang.

Agar tidak ada lagi data yang mengandung noise atau missing value dan data dinyatan
normal, data terlebih dahulu harus melalui proses KDD. Proses KDD sendiri merupakan
proses dimana untuk mencari dan mengidentifikasi pola sebelum data ini dapat diolah
lebih lanjut, Sehingga data sudah bisa kita gunakan sebagai dataset. Data Set Setelah
ditentukannya sebuah data, selanjutnya adalah menentukan dataset agar data dapat
diolah dengan baik, berikut data set yang akan digunakan : Tabel 4.

2 Data Set ID _KECAMATAN _FISIK _NETRA/BUTA _RUNGU/WICARA _MENTAL/ JIWA

_MENTAL/FISIK _LAINNYA _ _32.09.01 _WALED _1 _0 _1 _0 _0 _1 _ _32.09.02 _CILEDUG _0
_0 _1 _0 _0 _0 _ _32.09.03 _LOSARI _0 _0 _0 _0 _0 _0 _ _32.09.04 _PABEDILAN _2 _1 _1 _3
_0 _0 _ _32.09.05 _BABAKAN _3 _0 _2 _0 _0 _0 _ _32.09.06 _KARANGSEMBUNG _0 _0 _1 _0
_0 _0 _ _32.09.07 _LEMAHABANG _0 _0 _2 _0 _0 _1 _ _32.09.08 _SUSUKANLEBAK _0 _0 _0
_0 _0 _0 _ _32.09.09 _SEDONG _5 _0 _0 _0 _1 _1 _ _32.09.10 _ASTANAJAPURA _3 _1 _1 _0
_0 _0 _ _32.09.11 _PANGENAN _1 _0 _1 _0 _0 _0 _ _32.09.12 _MUNDU _6 _3 _4 _3 _1 _1 _
_32.09.13 _BEBER _0 _0 _3 _0 _0 _0 _ _32.09.14 _TALUN _4 _0 _4 _0 _1 _4 _ _32.09.15
_SUMBER _2 _0 _0 _0 _2 _2 _ _32.09.16 _DUKUPUNTANG _3 _2 _0 _0 _0 _3 _ _32.09.17
_PALIMANAN _0 _1 _1 _1 _0 _1 _ _32.09.18 _PLUMBON _0 _1 _4 _0 _2 _2 _ _32.09.19
_WERU _2 _1 _0 _2 _0 _0 _ _32.09.20 _KEDAWUNG _1 _0 _3 _0 _0 _0 _ _32.09.21
_GUNUNG JATI _4 _0 _3 _0 _0 _1 _ _32.09.22 _KAPETAKAN _2 _1 _1 _0 _0 _1 _ _32.09.23
_KLANGENAN _0 _0 _0 _0 _0 _1 _ _32.09.24 _ARJAWINANGUN _2 _2 _1 _6 _0 _0 _
_32.09.25 _PANGURAGAN _0 _0 _0 _0 _0 _0 _ _32.09.26 _CIWARINGIN _3 _4 _0 _1 _0 _1 _
_32.09.27 _SUSUKAN _20 _0 _7 _1 _2 _3 _ _32.09.28 _GEGESIK _2 _0 _0 _0 _0 _0 _ _32.09.29
_KALIWEDI _0 _0 _0 _0 _0 _0 _ _32.09.30 _GEBANG _11 _0 _7 _1 _1 _0 _ _32.09.31 _DEPOK
_1 _1 _1 _0 _0 _2 _ _32.09.32 _PASALEMAN _3 _0 _0 _0 _1 _0 _ _32.09.33 _PABUARAN _0
_0 _0 _1 _0 _2 _ _32.09.34 _KARANGWARENG _1 _0 _1 _0 _0 _0 _ _32.09.35 _TENGAH TANI
_2 _0 _0 _0 _0 _1 _ _32.09.36 _PLERED _2 _0 _1 _0 _0 _0 _ _32.09.37 _GEMPOL _3 _0 _0 _0
_0 _2 _ _32.09.38 _GREGED _0 _0 _1 _0 _0 _0 _ _32.09.39 _SURANENGGALA _0 _0 _0 _0 _0
_0 _ _32.09.40 _JAMBLANG _2 _0 _0 _1 _3 _0 _ _ Model Proses Model proses yang
digunakan adalah Algoritma K-Means, dengan menggunakan tools Rapid Miner . Rapid
Miner merupakan software platform untuk mengolah berbagai data mining.

Sebelum mengeolah sebuah data mining dengan tools Rapid Miner , langkah pertama
yang harus dilakukan yaitu menyusun atau membuat model proses dengam operator
yang sesuai dengan teknik data mining yang digunakan dan operator yang telah
tersedia pada tools Rapid Miner. Menentukan jumlah kluster merupakan tahapan yang
harus dilakukan. Kluster atau nilai k yang dipakai didapati dari proses optimasi
menggunakan algoritma elbow, berikut hasil dari optimasi pencarian nilai k terbaik
menurut algoritma elbow: Gambar 4.

2 Hasil elbow Berdasarkan proses tersebut didapati nilai k terbaik untuk data set yang
ada adalah 3. Dibawah ini adalah model proses untuk mengkluster menggunakan tools
Rapid Miner : / Gambar 4. 3 Model Proses Berdasarakan Gambar 4. 3 akan dijelaskan
operator yang akan digunakan dalam pengklusteran akases sosial media berikut
penjelasannya : Gambar 4. 4 Read Excel Operator Read Excel ini digunakan untuk
memanggil data atau membuka file yang berektensi xls ( data dalam bentuk excel ).
Supaya dataset dapat dieksekusi dan berjalan dengan baik, maka dilakukan konfigurasi
seperti berikut ini : Gambar 4.

5 Setting Konfigurasi Data Dalam tahap ini adalah pemilihan data yang akan digunakan
dalam pemrosesan. / Gambar 4. 6 Operator K-Means Operator ini digunakan untuk
proses pengolahan data dengan teknik K-Means. Adapun parameter yang digunakan
adalah sebagai berikut : / Gambar 4. 7 Parameter K-Means Parameter yang digunakan
adalah dengan nilai k sebesar 3 berdasarkan perhitungan metode elbow sebelumnya. /
Gambar 4. 8 Operator Performance Operator ini digunakan untuk mengukur performa
dari pemrosesan K-Means. Evaluasi Hasil Penerapan Algoritma K-Means Setelah model
proses sudah dibuat, langkah selanjutnya adalah mengeksekusi model proses yang
sudah dibuat.

Berikut adalah hasil dari pemrosesan K-Means : / Gambar 4. 9 Cluster Model Dari
gambar tersebut menunjukkan bahwa dengan dataset sebanyak 40 record data
didapatkan hasil : Tabel 4. 3 Hasil Klaster Klaster _Jumlah item _ _0 _20 _ _1 _11 _ _2 _9 _
_Jumlah Klaster = 3 _Jumlah dataset = 40 _ _Adapun untuk mengukur performa dari
proses tersebut dapat dilihat dari nilai davies bouldien indeks (dbi). Semakin mendekati
angka 0 nilai dbi, maka hasil klaster semakin baik. Nilai dbi dari pemrosesan model ini
adalah 1.569. Artinya hasil klastering cukup baik. Sedangkan untuk nilai centroid dapat
dilihat di tabel berikut Tabel 4.

4 nilai centroid Atribut _Klaster 0 _Klaster 1 _Klaster 2 _ _FISIK _4.8 _7.363636 _1.333333 _
_NETRA/BUTA _2.25 _2.363636 _2.222222 _ _RUNGU/WICARA _3.35 _3.090909 _2.222222
_ _MENTAL/ JIWA _3.5 _4.363636 _3.444444 _ _MENTAL/FISIK _6.85 _2.818182 _2 _
_LAINNYA _6.85 _3.545455 _3.666667 _ _ Plot hasil klastering dapat dilihat dari gambar
berikut / Gambar 4. 10 Plot hasil klastering Untuk mengetahui apakah metode K-means
adalah metode yang tepat atau yang terbaik untuk kasus ini. Maka perlu dilakukan
perbandingan performa hasil klaster metode K-means dengan metode lainnya. Salah
satunya adalah metode K-Medoids sebagai metode pembandingnya. Berikut adalah
hasil perbandingan performa klaster kedua metode: Tabel 4.

5 Perbandingan metode K-Means _K-Medoids _ _PerformanceVector: Avg. within

centroid distance: -22.896 Avg. within centroid distance_cluster_0: -24.992 Avg. within
centroid distance_cluster_1: -22.980 Avg. within centroid distance_cluster_2: -20.148
Davies Bouldin: -1.569 _PerformanceVector: Avg. within centroid distance: -33.900 Avg.
within centroid distance_cluster_0: -31.632 Avg. within centroid distance_cluster_1:
-43.364 Avg. within centroid distance_cluster_2: -27.800 Davies Bouldin: -1.325 _ _
Berdasarkan hasil dari klaster masing-masing metode, ternyata metode K-Medoids lebih
unggul dari K-Means. Karena nilai dari Davies Bouldin Index dari K-Medoids lebih
mendekati 0.

Pembahasan Berdasarkan hasil penelitian yang dilakukan untuk mengelompokan data

algoritma k-means. Dapat disimpulkan bahwa dengan dataset berjumlah 40 data
dengan nilai k sebesar 3 menghasilkan cluster pertama memiliki 20 anggota, cluster
kedua memiliki 11 anggota, dan cluster ketiga memiliki 9 anggota. Berikut ini adalah
data pembagian cluster: Tabel 4. 6 keanggotaan klaster ID _FISIK _NETRA/BUTA
_RUNGU/WICARA _MENTAL/ JIWA _MENTAL/FISIK _LAINNYA _cluster _ _32.09.01 _2 _4
_6 _4 _5 _9 _cluster_0 _ _32.09.02 _3 _3 _4 _7 _6 _6 _cluster_0 _ _32.09.03 _6 _4 _3 _1 _6 _0
_cluster_1 _ _32.09.04 _1 _1 _6 _7 _2 _1 _cluster_2 _ _32.09.05 _1 _2 _1 _1 _1 _2 _cluster_2 _
_32.09.06 _4 _3 _6 _3 _9 _1 _cluster_0 _ _32.09.07 _8 _2 _4 _7 _0 _5 _cluster_1 _ _32.09.08
_5 _5 _0 _7 _7 _8 _cluster_0 _ _32.09.09 _8 _5 _5 _6 _7 _8 _cluster_0 _ _32.09.10 _6 _3 _2 _4
_5 _6 _cluster_0 _ _32.09.11 _0 _5 _1 _1 _1 _2 _cluster_2 _ _32.09.12 _8 _0 _6 _0 _0 _4
_cluster_1 _ _32.09.13 _10 _4 _3 _7 _2 _10 _cluster_1 _ _32.09.14 _3 _0 _6 _7 _6 _6
_cluster_0 _ _32.09.15 _5 _1 _5 _2 _9 _8 _cluster_0 _ _32.09.16 _3 _4 _5 _2 _8 _9 _cluster_0 _
_32.09.17 _5 _4 _0 _4 _4 _2 _cluster_1 _ _32.09.18 _5 _2 _1 _3 _6 _4 _cluster_0 _ _32.09.19
_1 _1 _1 _5 _8 _8 _cluster_0 _ _32.09.20 _4 _1 _5 _3 _6 _6 _cluster_0 _ _32.09.21 _7 _0 _6 _3
_3 _3 _cluster_1 _ _32.09.22 _2 _3 _3 _2 _0 _6 _cluster_2 _ _32.09.23 _3 _3 _4 _4 _4 _3
_cluster_2 _ _32.09.24 _2 _0 _1 _2 _0 _8 _cluster_2 _ _32.09.25 _5 _1 _0 _3 _9 _3 _cluster_0 _
_32.09.26 _6 _1 _3 _3 _5 _8 _cluster_0 _ _32.09.27 _1 _0 _1 _6 _2 _2 _cluster_2 _ _32.09.28
_9 _1 _2 _0 _8 _8 _cluster_0 _ _32.09.29 _2 _4 _1 _1 _3 _6 _cluster_2 _ _32.09.30 _6 _0 _0 _2
_6 _5 _cluster_0 _ _32.09.31 _7 _5 _3 _4 _6 _10 _cluster_0 _ _32.09.32 _7 _ 4 _1 _5 _0 _3
_cluster_1 _ _32.09.33 _7 _0 _0 _6 _3 _6 _cluster_1 _ _32.09.34 _7 _0 _4 _4 _6 _5 _cluster_0 _
_32.09.35 _10 _2 _4 _6 _5 _3 _cluster_1 _ _32.09.36 _0 _2 _2 _7 _5 _3 _cluster_2 _ _32.09.37
_6 _4 _5 _5 _3 _1 _cluster_1 _ _32.09.38 _1 _3 _4 _1 _7 _9 _cluster_0 _ _32.09.39 _7 _2 _2 _4
_5 _2 _cluster_1 _ _32.09.40 _6 _2 _5 _0 _8 _10 _cluster_0 _ _ Berdasarkan hasil dari tabel
di atas ada terdapat 20 item yang termasuk ke dalam cluster 0, sedangkan cluster 1
memiliki 11 item, dan cluster 2 memiliki 9 item.
Data ini akan digunakan untuk efisiensi pembagian bantuan social bagi penyandang
disabilitas Kabupaten Cirebn.
BAB V
PENUTUP Simpulan Berdasarkan dari hasil penelitian yang dilakukan di Dinas
Kependudukan dan Catatan Sipil Kabupaten Cirebon, maka kesimpulan yang didapat
adalah sebagai berikut: Algoritma K-Means merupaka suatu metode yang relevan untuk
digunakan dalam pengelompokkan data disabilitas di kabupaten cirebon untuk efisiensi
pembagian bantuan sosial Dengan menerapkan model Algoritma K-Means yang
diproses melalui rapidminer, maka pemerintah dapat dengan mudah mengelompokkan
data penyandang disabilitas, berdasarkan kedekatan nilai centroid dari tiap-tiap
anggota klaster di Kabupaten Cirebon. Berdasarkan hasil dari tabel di atas ada terdapat
20 item yang termasuk ke dalam cluster 0, sedangkan cluster 1 memiliki 11 item, dan
cluster 2 memiliki 9 item.

Data ini akan digunakan untuk efisiensi pembagian bantuan social bagi penyandang
disabilitas Kabupaten Cirebon. Hasil dari pengklasteran ini adalah bahwa cluster 0
merupakan kelompok data yang harus didahulukan saat penyaluran bantuan, karena
klaster ini memiliki nilai centroid yang tinggi dari klaster yang lainnya. _ _Saran Agar
selanjutnya penelitian ini dapat dikembangkan lagi kedepannya, berikut adalah saran
dari peneliti yang dijadikan bahan renungan penelitian yang akan datang: Agar hasil
penelitian ini lebih baik lagi, dapat menggunakan jumlah data yang lebih banyak lagi
dan melakaukan pengujian dengan dataset yang lebih lengkap atributnya sehingga
model yang sudah dihasilkan akan lebih teruji lagi kedepanya; Menggunakan algoritma
lain dalam pengelompokkan data misalnya X-Means atau K-Medoids; Untuk
mendapatkan nilai dbi yang lebih baik lagi dari penelitian ini, dapat melakukan optimasi
dengan teknik optimasi lainnya. _ _
DAFTAR PUSTAKA [1] M. Anjelita, A. P. Windarto, and A.

Wanto, “Analisis Metode K-Means Pada Kasus Ekspor Barang Perhiasan Dan Barang
Berharga Berdasarkan Negara Tujuan Mawaddah,” Semin. Nas. Sains Teknol. Inf., vol.
ISBN: 978-, pp. 476–482, 2019. [2] M. M. Degree, C. Science, and A. C. Lecture, “Data
Mining : Concepts and,” vol. 05, p. 703, 2012, doi: 10.1093/nar/gku1019. [3] A. K-means,
M. Wahyudi, and L. Pujiastuti, “Penerapan Data Mining Dalam Mengelompokkan Data
Pengangguran Terbuka Menurut Provinsi Menggunakan,” vol. 2, pp. 432–440, 2020. [4]
R. Rousyati, F. F. Wati, D. Pratmanto, and A. Crisna, “Pengelompokan Siswa Penyandang
Disabilitas Berdasarkan Tingkat Tunagrahita Menggunakan Algoritma K-Medoids,”
Indones. J. Softw. Eng., vol. 5, no. 1, pp. 134–142, 2019, doi: 10.31294/ijse.v5i1.6550.

[5] S. M. Dewi, A. P. Windarto, I. S. Damanik, and H. Satria, “Analisa Metode K-Means

pada Pengelompokan Kriminalitas Menurut Wilayah,” Semin. Nas. Sains Teknol. Inf., pp.
620–625, 2019. [6] D. A. Silitonga, A. P. Windarto, and D. Hartama, “Penerapan Metode
K-Medoid pada Pengelompokan Rumah Tangga Dalam Perlakuan Memilah Sampah
Menurut Provinsi,” Semin. Nas. Sains Teknol. Inf. SENSASI 2019 ISBN, pp. 313–318, 2019.
[7] C. Astria, A. P. Windarto, A. Wanto, and E. Irawan, “Metode K-Means pada
Pengelompokan Wilayah Pendistribusian Listrik,” Semin. Nas. Sains Teknol. Inf., pp.
306–312, 2019. [8] M. Latif, Zukhairina, R. Zubaidah, and M. Afandi, Orientasi Baru
Pendidikan Anak Usia Dini Teori dan Aplikasi, 1st ed.

Jakarta: Prenadamedia Group, 2016. [9] Sambira and L. I. Badiah, “Karakteristik dan
Kebutuhan Anak Berkebutuhan Khusus,” J. Abadimas Adi Buana, vol. 02, no. 1, pp.
33–40, 2018. [10] Yayuk Firdaus, “Studi Deskriptif Peran Guru Pendidik Khusus Dalam
Implementasiprogram Kebutuhan Khusus Bagi Peserta Didik Berkebutuhan Khusus Di
Sdn Wonokusumo 1 Surabaya,” J. Pendidik. Khusus. [11] M. Jamaris, Orientasi Baru
Dalam Psikologi Pendidikan, 1st ed. Bogor: Ghalia Indonesia, 2013. [12] A. Ivanti,
“Identifikasi siswa beresiko mengalami kesulitan belajar spesifik di taman kanak-kanak,”
Univ. Paramadina, vol. 6, no. April, p. 13, 2018.

[13] M. Munawaroh and N. T. Anggrayni, “Mengenal tanda-Tanda Disleksia Pada Anak

Usia Dini.” pp. 167–171, 2007. [14] Zaitun, Pendidikan Anak Berkebutuhan Khusus.
Pekanbaru: Kreasi Edukasi, 2017. [15] 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. [16] A. R.
Damanik, S. Defit, D. Hartama, P. P. P. A. N. W. F. Ilmi, and R. H. Zer, “Implementasi
Metode K-Means Dalam Perbandingan Tingkat Pengangguran Dengan Tenaga Kerja
Berdasarkan Provinsi,” vol. 2, pp. 24–31, 2020. [17] B. I.
Suwandayani, “Analisis Perencanaan Pembelajaran Tematik Pada Kurikulum 2013 di SD
Negeri Kauman I Malang,” ELSE (Elementary Sch. Educ. Journal) J. Pendidik. dan
Pembelajaran Sekol. Dasar, vol. 2, no. 1, pp. 78–88, 2018, doi: 10.30651/else.v2i1.1214.
[18] M. P. Dr. Wahidmurni, “Pemaparan Metode Kuantitatif,” J. Ilmu Tarb. dan Kegur. ;
UIN Maulana Malik Ibrahim, pp. 1–16, 2017. [19] P. S. Rahmat, “Penelitian Kualitatif,”
Journal Equilibrium, vol. 5. pp. 1–8, 2009. [20] A. Rijali, “Analisis Data Kualitatif,” vol. 17,
no. 33, pp. 81–95, 2018.
LAMPIRAN YANG WAJIB DILAMPIRKAN: Data-data yang digunakan dalam penelitian.
Dokumentasi penelitian Jurnal yang digunakan pada bagian review ( bagian 2.2)

INTERNET SOURCES:
-------------------------------------------------------------------------------------------
2% - https://www.coursehero.com/file/76454724/RIYASFI-Laporan-Skripsi-Fixdocx/
<1% -
http://repository.um-palembang.ac.id/id/eprint/12742/1/222016194_BAB%20I_SAMPAI_
DAFTAR%20PUSTAKA.pdf
1% - https://www.slideshare.net/PTMW/4-halaman-persembahan
<1% - https://penaungu.com/mukadimah-ceramah/
<1% -
https://tk.amikom.ac.id/storage/download/2020_Template_SKRIPSI_S1TEKKOM.doc
<1% - https://www.coursehero.com/file/76831608/isidocx/
<1% - http://syahrulanam.com/contoh-kata-sambutan/
<1% -
https://docobook.com/implementasi-program-sekolah-ramah-anak-di-sekolah-meneng
ah.html
<1% -
http://repository.uinjkt.ac.id/dspace/bitstream/123456789/1546/1/MOHAMAD%20UTA
MA-FST.PDF
<1% - http://repository.usd.ac.id/36694/2/152214014_full.pdf
<1% -
https://dspace.uii.ac.id/bitstream/handle/123456789/15402/03.%20daftar%20isi.pdf?seq
uence=3&isAllowed=y
<1% - https://issuu.com/virgiftan/docs/usaid_iuwash_west_java-dki_jakarta-
<1% - https://widuri.raharja.info/index.php?title=SI1233472885
<1% -
http://ejurnalpatanjala.kemdikbud.go.id/patanjala/index.php/patanjala/article/download
/255/202
<1% - http://repository.upi.edu/773/4/s_e0351_030547_chapter3.pdf
<1% -
https://id.123dok.com/document/rz3dm47y-orangtua-difabel-deskriptif-keluarga-pasan
gan-tunanetra-kelurahan-sikambing.html
<1% -
https://islamicmarkets.com/publications/pt-bank-mandiri-syariah-laporan-tahunan-201
8
<1% - http://prosiding.seminar-id.com/index.php/sensasi/article/download/376/368
1% - http://prosiding.seminar-id.com/index.php/sensasi/article/view/324
1% -
http://e-journal.hamzanwadi.ac.id/index.php/infotek/article/download/2315/pdf_36
1% - https://prosiding.seminar-id.com/index.php/sensasi/article/download/317/310
<1% -
http://chandra-tep.staff.ugm.ac.id/files/2010/01/Kajian-Kerawanan-Banjir-DAS-Wawar2.
pdf
<1% - https://citec.amikom.ac.id/main/index.php/citec/article/download/113/110
<1% - https://prosiding.seminar-id.com/index.php/sensasi/search/titles
<1% - https://repository.ugm.ac.id/cgi/exportview/year/2003/Atom/2003.xml
<1% - http://puslit.dpr.go.id/produk/jurnal-kepakaran/id/4
2% - http://www.jurnal.unsyiah.ac.id/kanun/article/download/9829/8332
<1% - http://karyailmiah.unisba.ac.id/index.php/hukum/article/view/19182
<1% - https://gigihadhitya.blogspot.com/
<1% -
https://anggunweku1plb2014.blogspot.com/2015/12/makalah-tunarungu_23.html
<1% - https://www.scribd.com/document/365335419/ipi180782
<1% - https://jofipasi.wordpress.com/2013/01/page/2/
<1% -
https://www.academia.edu/29951453/SELF_MANAGEMENT_PADA_REMAJA_PUTRI_PENY
ANDANG_TUNA_GRAHITA_RINGAN_STUDI_KASUS_DI_SMPLB_NEGERI_PURBALINGGA_d
ocx
<1% -
https://www.yumpu.com/id/document/view/14058932/bab-ii-kajian-teori-a-tinjauan-te
ntang-bimbingan-konseling-1-
<1% - http://ejournal.uin-suka.ac.id/dakwah/hisbah/article/download/1294/1072
<1% - https://tofacanchujitsuna.blogspot.com/2016/12/v-behaviorurldefaultvmlo.html
<1% - http://etheses.uin-malang.ac.id/1870/5/08410093_Bab_2.pdf
<1% -
https://contoh-makalah2.blogspot.com/2016/06/contoh-makalah-pengertian-anak.html
<1% - https://ati2051976.wordpress.com/
<1% - https://cunaylozarie.blogspot.com/
2% - http://repository.upy.ac.id/409/1/artikel%20madinatul.pdf
1% - https://jurnal.umj.ac.id/index.php/SNP/article/download/2772/2256
2% -
https://dunia-blajar.blogspot.com/2015/10/pengertian-jenis-dan-faktor-penyebab.html
<1% -
https://vajengpertiwi.blogspot.com/2015/05/makalah-pendidikan-anak-berkebutuhan_5
2.html
<1% -
https://ilhamgusmayadi15.blogspot.com/2017/01/jenis-jenis-anak-berkebutuhan-khusu
s.html
<1% - http://jurnal.una.ac.id/index.php/jurti/article/download/1296/1112
<1% -
http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/2013100500SIBab2001/body.htm
l
3% - https://core.ac.uk/download/pdf/287160978.pdf
<1% - http://dl401.ilearning.me/author/muhamadilhamainulyaqin/
1% -
https://yanuarimaesa.blogspot.com/2013/09/data-minning-dan-data-wherehouse.html
<1% - https://kuliahtopik.blogspot.com/2011/04/materi-data-warehousing.html
<1% -
https://freelancebdg.blogspot.com/2012/07/proses-knowledge-discovery-in-database.h
tml
<1% - https://andhiikasp.blogspot.com/2016/
<1% - https://jurnal.stmikroyal.ac.id/index.php/jurteksi/article/download/36/34
<1% -
https://123dok.com/document/8ydkdgqp-analisis-perbandingan-algoritma-support-clu
stering-medoids-klaster-dokumen.html
<1% -
https://www.scribd.com/document/427039105/418-Article-Text-1129-1-10-20171221-p
df
<1% -
https://www.coursehero.com/file/p4940qam/Pertimbangkan-data-himpunan-X-dataset-
yang-terdiri-dari-point-point-data-atau/
<1% -
https://shilvianurfa.blogspot.com/2013/05/multivariat-statistic-non-hierarki-k.html
<1% -
https://123dok.com/document/7qvlll0y-sistem-market-basket-menentukan-swalayan-m
enggunakan-algoritma-clustering.html
<1% -
http://eprints.binadarma.ac.id/529/1/DATA%20MINING%20%26%20WAREHOUSE%20m
ateri%202.pdf
<1% -
http://library.binus.ac.id/eColls/eThesisdoc/Bab2DOC/lbm2004-0028%20Bab2.doc
<1% - https://materi-information-retrival.blogspot.com/
<1% -
https://www.researchgate.net/publication/304217351_Sistem_Informasi_Pemetaan_Pend
idikan_Menggunakan_Algoritma_Data_Mining
<1% - https://core.ac.uk/download/pdf/12342526.pdf
<1% - https://ejournal.unib.ac.id/index.php/rekursif/article/download/7097/4003
<1% -
https://123dok.com/document/8yd076zp-algoritma-modified-clustering-penentuan-clu
ster-centre-berbasis-squared.html
<1% - http://repository.unmuhjember.ac.id/589/1/JURNAL.pdf
<1% - http://repository.unpas.ac.id/42833/5/BAB%20III.pdf
<1% - http://repository.upi.edu/13266/6/T_IPA_1201568_Chapter3.pdf
<1% - http://repository.uin-malang.ac.id/1985/2/1985.pdf
<1% - http://eprints.undip.ac.id/40779/3/BAB_III.pdf
<1% - http://a-research.upi.edu/operator/upload/s_psr_0800138_chapter3.pdf
<1% - http://repository.dinamika.ac.id/id/eprint/1146/6/BAB_III.pdf
<1% -
https://saepudinonline.wordpress.com/2010/10/04/pengantar-metode-penelitian/
<1% - http://digilib.uinsby.ac.id/9734/6/bab3.pdf
<1% -
https://suaidinmath.wordpress.com/2014/10/05/pendekatan-jenis-dan-metode-peneliti
an-pendidikan/
<1% - http://eprints.ums.ac.id/34000/8/BAB%20III.pdf
<1% - https://id.scribd.com/doc/77059340/Skripsi
<1% -
https://fathuratunk.wordpress.com/article/proposal-penelitian-kue-basah-asal-kota-jam
bi/
<1% -
https://text-id.123dok.com/document/qo5gw2ky-analisis-kebutuhan-ruang-kelas-sekol
ah-dasar-berdasarkan-proyeksi-pertumbuhan-penduduk-usia-sekolah-di-kota-cirebon-t
ahun-2015-2019-implementasi-social-demand-approach-dalam-perencanaan-pendidik
an.html
<1% - http://repository.uinsu.ac.id/4650/5/BAB%20III.pdf
<1% - http://digilib.uinsby.ac.id/871/4/Bab%203.pdf
<1% - http://eprints.umm.ac.id/41437/4/BAB%20III.pdf
<1% -
https://123dok.com/document/q027049y-prediksi-indeks-prestasi-mahasiswa-pertama-
menggunakan-metode-backpropagation.html
<1% -
https://www.researchgate.net/publication/323750099_PENERAPAN_DATA_MINING_UNT
UK_ANALISIS_POLA_PEMBELIAN_KONSUMEN_DENGAN_ALGORITMA_FP-GROWTH_PAD
A_DATA_TRANSAKSI_PENJUALAN_SPARE_PART_MOTOR
<1% -
http://download.garuda.ristekdikti.go.id/article.php?article=1617647&val=10517&title=I
NITIAL%20CENTROID%20OPTIMIZATION%20OF%20K-MEANS%20ALGORITHM%20USI
NG%20COSINE%20SIMILARITY
<1% -
https://123dok.com/document/q2n6mgeq-teknik-penilaian-siswa-dalam-pembelajaran-
bahasa-inggris-sekolah.html
<1% - https://prosiding.seminar-id.com/index.php/sainteks/article/view/452
<1% - https://issuu.com/jurnalaristo/docs/all_proseding