IMPLEMENTASI METODE MCQUITTY LINKAGE DAN K-MEANS

CLUSTERING DENGAN PENDEKATAN RULE-OF-THUMB PADA DATA

KEMISKINAN DI JAWA TENGAH

YESSY DWI RAMADANI

SEMINAR NASIONAL MATEMATIKA XVI TAHUN 2022

“Inovasi Matematika dan Pendidikan Matematika dalam

Membentuk Insan Cerdas untuk Indonesia Emas”
 BAB IV BAB V

PENDAHULUAN

TINJAUAN PUSTAKA

METODOLOGI PENELITIAN

HASIL DAN PEMBAHASAN

KESIMPULAN DAN SARAN

 BAB IV BAB V

LATAR BELAKANG
Peningkatan kasus
kemiskinan di Jawa
Tengah

Pembatasan sosial
masyarakat masa
pandemi

Penyaluran bantuan
kurang tepat sasaran

Penargetan masyarakat
yang kurang mampu
sesuai indikator
kemiskinan

LATAR BELAKANG
BPS mencatat penduduk Jawa Tengah yang
hidup di bawah garis kemiskinan bertambah
128,85 ribu jiwa menjadi 4,11 juta jiwa pada
Maret 2021 dibanding Maret 2020.
Perlu dilakukan upaya yang lebih optimal serta
menyeluruh dalam penanggulangan kasus
kemiskinan dengan mengelompokkan data
keluarga miskin dengan efisien agar
pemerataan bantuan lebih tepat sasaran.
BAB IV BAB V
K-MEANS CLUSTERING
(+) Mampu mengelompokan data besar dan
waktu komputasi yang relatif cepat.
(-) Pusat cluster masih ditentukan secara
random.
MCQUITTY LINKAGE CLUSTERING
Mampu mengatasi masalah penentuan
pusat cluster pada K-Means
PENDEKATAN RULE-OF-THUMB
Solusi dalam menentukan jumlah cluster
yang dinamis.
 BAB IV BAB V

RUMUSAN MASALAH

Bagaimana penerapan metode Mcquitty

01 Linkage dan K-Means dengan
pendekatan Rule-of- Thumb pada data
kemiskinan di Jawa Tengah?
 BAB IV BAB V

TUJUAN PENELITIAN

Menerapkan metode Mcquitty Linkage dan K-Means

dengan pendekatan Rule-of-Thumb pada data
kemiskinan di Jawa Tengah.
 BAB IV BAB V

MANFAAT PENELITIAN

Menambah wawasan ilmu pengetahuan tentang clustering

01 dengan menggunakan metode Mcquitty Linkage dan K-Means
dengan pendekatan Rule-of-Thumb

02 Menerapkan metode pada data kemiskinan di Jawa Tengah

tahun 2021
 BAB IV BAB V

TINJAUAN PUSTAKA

KEMISKINAN

Ketidakmampuan penduduk dalam memenuhi kebutuhan

dasar minimal untuk mencapai kehidupan yang layak.

Tingkat kemiskinan didasarkan pada jumlah rupiah

konsumsi berupa makanan yaitu 2100 kalori per orang
perhari (dari 52 jenis komoditi yang dianggap mewakili
pola konsumsi penduduk yang berada dilapisan bawah),
dan konsumsi non makanan (dari 45 jenis komoditi)
sesuai kesepakatan nasional dan tidak dibedakan antara
wilayah pedesaan dan perkotaan
 BAB IV BAB V

DATA MINING

Proses yang menggunakan teknik statistika, matematika, kecerdasan buatan, dan

machine learning untuk mengekstraksi dan mengidentifikasi informasi yang
bermanfaat dan pengetahuan yang terkait dari berbagai database besar

Deskripsi

Estimasi
Fungsi Data Mining
Prediksi

Clustering

Asosiasi
 BAB IV BAB V

CLUSTERING

Pengelompokan sejumlah objek ke dalam cluster sehingga setiap cluster tersebut akan
berisi data yang semirip mungkin dan berbeda dengan objek dalam cluster yang lainnya.
Hierarchical
Clustering
• Mcquitty Linkage, Single Linkage, Centroid Linkage,
dll
Jenis clustering
Partitioned
Clustering
• K-Means, Fuzzy K-Means, Mixture Modelling, dll.
 BAB IV BAB V

K- MEANS CLUSTERING Menentukan jumlah k-cluster yang

1 ingin dibentuk

Membangkitkan nilai random untuk 2

pusat awal cluster sebanyak k-cluster
Menghitung jarak
3 (Euclidean Distance)

Mengklasifikasikan setiap data

berdasarkan kedekatannya dengan 4
centroid (jarak terkecil).
Meng-update
5 nilai centroid

Melakukan perulangan dari langkah

hingga 5 sampai anggota tiap cluster 6 Jika langkah 6 telah terpenuhi, maka nilai rata-rata
tidak ada yang berubah pusat cluster iterasi terakhir akan digunakan
7 sebagai parameter untuk menentukan klasifikasi
data.
 BAB IV BAB V

PENDEKATAN RULE-OF-THUMB

Menentukan jumlah cluster (k). Proses ini menginisialisasi nilai awal k

sebagai jumlah cluster yang akan dipartisi secara dinamis

n adalah jumlah objek yang akan di kelompokkan dan k jumlah cluster

 BAB IV BAB V

MCQUITTY LINKAGE CLUSTERING

Algoritme pengelompokkan hierarki metode Agglomerative (pemusatan) dan

sering disebut juga dengan metode Pair Group Method with Arithmetic Mean
(WPGMA)

dmj adalah jarak antara cluster m dan j, dkj adalah jarak antara cluster k
dan j, dan dlj adalah jarak antara cluster l dan j.
 BAB IV BAB V

Metodologi Penelitian
Data yang digunakan adalah data sekunder dari data kemiskinan di Jawa Tengah 2021
yang dipublikasikan oleh Badan Pusat Statistik.
 BAB IV BAB IV

LANGKAH PENELITIAN

Flowchart langkah penelitian

yang dilakukan untuk mencapai
tujuan penelitian.
 BAB IV BAB V

HASIL DAN PEMBAHASAN

Pendekatan Rule-of-Thumb

Perhitungan untuk menentukan jumlah cluster (k). Proses ini menginisialisasi nilai awal k
sebagaiLANGKAH PENELITIAN
jumlah cluster yang akan dipartisi secara dinamis. Berikut merupakan hasil
perhitungan jumlah cluster.
Flowchart langkah penelitian
yang dilakukan untuk mencapai
tujuan penelitian.

Berdasarkan perhitungan dengan pendekatan Rule-of-Thumb diperoleh jumlah cluster

optimal untuk clustering pada penelitian ini sebesar empat cluster.
 BAB IV BAB V

HASIL DAN PEMBAHASAN

Mcquitty Linkage Clustering

Proses clustering pertama yaitu melakukan clustering data kemiskinan menggunakan metode
Mcquiity Linkage atau sering disebut juga dengan metode Pair Group Method with Arithmetic Mean
LANGKAH
(WPGMA). Berikut PENELITIAN
merupakan hasil dari perhitungan metode Mcquitty Linkage:

Flowchart langkah penelitian

yang dilakukan untuk mencapai
tujuan penelitian.
 BAB IV BAB V

HASIL DAN PEMBAHASAN

Berdasarkan perhitungan dihasilkan empat cluster, dimana setiap cluster yang terbentuk akan
dicari rata-rata dan akan digunakan sebagai centroid awal pada perhitungan metode K-Means.
Centroid awal yang  terbentuk adalah sebagai berikut:
LANGKAH PENELITIAN

Flowchart langkah penelitian

yang dilakukan untuk mencapai
tujuan penelitian.
 BAB IV BAB V

HASIL DAN PEMBAHASAN

K-Means Clustering

Pusat cluster yang ditentukan melalui metode Mcquitty Linkage kemudian akan dilanjutkan
Untuk perhitungan menggunakan K-Means Clustering. Berikut hasil perhitungan K-Means:
LANGKAH PENELITIAN

Flowchart langkah penelitian

yang dilakukan untuk mencapai
tujuan penelitian.
 BAB IV BAB V

HASIL DAN PEMBAHASAN

LANGKAH PENELITIAN
Hasil akhir dari proses clustering diperoleh
Flowchart
1. Cluster langkah
1 terdiri penelitian
dari Kabupaten Magelang, Boyolali, Wonogiri, Blora, Temanggung, dan Kendal.
2. yang dilakukan
Cluster untuk
2 terdiri dari mencapai
Kabupaten Cilacap, Kebumen, Purworejo, Sukoharjo, Karanganyar, Sragen,
Grobogan, Rembang,
tujuan Pati, Jepara, Demak, Semarang, Batang, Pekalongan, Tegal, dan Kota
penelitian.
Tegal.
3. Cluster 3 terdiri dari Kota Magelang, Kota Surakarta, Kota Salatiga, Kota Semarang, dan Kota
Pekalongan.
4. Cluster 4 terdiri dari Kabupaten Cilacap, Banyumas, Purbalingga, Wonosobo, Pemalang, dan
Brebes.
 BAB IV BAB V

KESIMPULAN DAN SARAN

1. Diperoleh 4 cluster dengan pemetaan karakteristik dari setiap kelompok yang terbentuk
berdasarkan nilai rata-rata tertinggi dan terendah dari setiap indikator kemiskinan provinsi Jawa
Tengah tahun 2021.
LANGKAH Dari empat cluster yang terbentuk diperoleh cluster ke-1 yang terdiri dari
PENELITIAN
Magelang, Boyolali, Wonogiri, Blora, Temanggung, Kendal. Pada cluster 1 perlu diprioritaskan
dalam peningkatan kesejahteraan penduduknya.
Flowchartmetode
2. Gabungan langkah penelitian
Mcquitty Linkage dan K-Means Clustering mampu menghasilkan analisis
yang dilakukan
cluster yang lebihuntuk mencapai
baik karena masalah penentuan pusat awal cluster pada K-Means dapat
diatasi. tujuan penelitian.
3. Dengan diketahuinya karakteristik di setiap wilayah, tentunya akan menjadi dasar yang kuat bagi
penyelenggara pemerintahan dalam memberikan kebijakan/pendekatan yang tepat dan cepat
untuk mengatasi kemiskinan yang terjadi.
4. Untuk penelitian berikutnya akan lebih baik apabila penelitian ini dapat menambahkan metode
untuk menghitung keoptimalan dari hasil analisis cluster.
 BAB IV BAB V

DAFTAR RUJUKAN
[1] Badan Pusat Statistik (BPS). 2021. Data dan Informasi Kemiskinan Kabupaten/Kota 2021. Jakarta: Badan Pusat Statistik.
[2] Febianto, N. I., Palasara, N. (2019). Analisa Clustering K-Means Pada Data Informasi Kemiskinan Di Jawa Barat Tahun 2018. Jurnal
Sisfokom (Sistem Informasi Dan Komputer), 8(2), 130–140. https://doi.org/10.32736/sisfokom.v8i2.653
[3] Wahyuni, S., Jatmiko, Y. A. (2019). Pengelompokan Kabupaten/Kota di Pulau Jawa Berdasarkan Faktor-Faktor Kemiskinan dengan
Pendekatan Average Linkage Hierarchical Clustering. Jurnal Aplikasi Statistika Komputasi Statistik, 10(1), 1. https://doi.org/10.34123/
jurnalasks.v10i1.197
[4] Aprilia, A., Rahmawati, W. M., Hakimah, M. (2019). Penentuan Kategori Status Gizi Balita Menggunakan Penggabungan Metode Klasterisasi
Agglomerative Dan K-Means. Seminar Nasional Sains Dan Teknologi Terapan VII - Institut Teknologi Adhi Tama Surabaya, 595–600.
[5] Nishom, M., Fathoni, M. Y. (2018). Implementasi Pendekatan Rule-Of-Thumb untuk Optimasi Algoritma K-Means Clustering. Jurnal
Informatika: Jurnal Pengembangan IT, 3(2), 237–241. https://doi.org/10.30591/jpit.v3i2.909
[6] Yuli Mardi. (2019). Data Mining : Klasifikasi Menggunakan Algoritma C4 . 5 Data mining merupakan bagian dari tahapan proses Knowledge
Discovery in Database (KDD). Jurnal Edik Informatika. Jurnal Edik Informatika, 2(2), 213–219.
[7] Alfina, T., Santosa, B., Barakbah, A. R. (2012). Tahta Alfina, Budi Santosa, dan Ali Ridho Barakbah Jurusan Teknik Industri, Fakultas
Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111. Jurnal Teknik POMITS, 1(1), 1–5
[8] Rahmawati, L., Widya Sihwi, S., Suryani, E. (2016). Analisa Clustering Menggunakan Metode K-Means Dan Hierarchical Clustering (Studi
Kasus : Dokumen Skripsi Jurusan Kimia, Fmipa, Universitas Sebelas Maret). Jurnal Teknologi Informasi ITSmart, 3(2), 66. https://doi.
org/10.20961/its.v3i2.654
[9] Andrea, T., Wahyuningsih, S., Nanda, A. (2019). Penerapan Hierarchial Clustering Metode Agglomerative pada Data Runtun Waktu. Jurnal of
Mathematics, 1(2), 64–78.
[10] Handoyo, R., R. Rumani, M., Naution, S. M. (2014). Perbandingan Metode Clustering Menggunakan Metode Single Linkage dan K-Means
Pada Pengelompokkan Dokumen. JSM STMIK Mikroskil, 15(2), 73–82
TERIMA KASIH
TERIMA KASIH