Article Per Year (5 Year)
p-Index From 2020 - 2025
4.632
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Informatika Komputer Jurnal Informatika dan Teknik Elektro Terapan InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan JIKO (Jurnal Informatika dan Komputer) Information System for Educators and Professionals : Journal of Information System KOPERTIP: Jurnal Ilmiah Manajemen Informatika dan Komputer Jurnal Teknik Informatika UNIKA Santo Thomas JOURNAL INFORMATICS, SCIENCE & TECHNOLOGY Jurnal ICT : Information Communication & Technology Jurnal Ilmiah ILKOMINFO - Ilmu Komputer & Informatika Jurnal Informatika dan Rekayasa Perangkat Lunak JATI (Jurnal Mahasiswa Teknik Informatika) MEANS (Media Informasi Analisa dan Sistem) Instal : Jurnal Komputer Jurnal Teknik Informatika Unika Santo Thomas (JTIUST) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Journal of Artificial Intelligence and Engineering Applications (JAIEA) INFORMATION SYSTEM FOR EDUCATORS AND PROFESSIONALS : Journal of Information System AMMA : Jurnal Pengabdian Masyarakat Jurnal Informatika: Jurnal Pengembangan IT Informasi interaktif : jurnal informatika dan teknologi informasi
Ade Rizki Rinaldi
STMIK IKMI Cirebon
Humanities Automotive Engineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Nursing Other

Published : 31 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Jurnal Informatika dan Teknik Elektro Terapan

 1 
PENERAPAN METODE K-MEANS CLUSTERING DALAM PEMETAAN KEMISKINAN KABUPATEN/KOTA DI INDONESIA UNTUK PERENCANAAN KEBIJAKAN YANG TEPAT Amelia, Mita; Faqih, Ahmad; Rinaldi, Ade Rizki
Jurnal Informatika dan Teknik Elektro Terapan Vol 13, No 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6231

Abstract

Kemiskinan merupakan tantangan serius yang memerlukan pendekatan strategis berbasis data untuk mendukung kebijakan yang tepat sasaran. Penelitian ini bertujuan untuk mengelompokkan Kabupaten/Kota di Indonesia berdasarkan tingkat kemiskinan menggunakan algoritma K-Means dan mengevaluasi hasil pengelompokan untuk memberikan rekomendasi kebijakan. Metode analisis yang digunakan adalah Knowledge Discovery in Database (KDD) Process, yang melibatkan seleksi data, pra-pemrosesan, transformasi, penambangan data, dan evaluasi. Hasil analisis menunjukkan bahwa nilai k terbaik adalah 2 dengan nilai Davies-Bouldin Index sebesar 0,101. Klaster pertama (Cluster 0) mencakup wilayah dengan persentase penduduk miskin lebih rendah, rata-rata lama sekolah lebih tinggi, serta kondisi sosial ekonomi yang lebih baik dibandingkan klaster kedua. Sebaliknya, klaster kedua (Cluster 1) menunjukkan wilayah dengan tingkat kemiskinan signifikan, pendidikan rendah, dan minim infrastruktur dasar. Hasil penelitian ini menunjukkan bahwa pengelompokan menggunakan algoritma K-Means mampu mengidentifikasi wilayah prioritas untuk penanganan kemiskinan. Visualisasi klaster dan analisis karakteristik wilayah dapat mendukung perumusan kebijakan yang lebih efektif, terutama dalam peningkatan pendidikan, kesehatan, dan pengembangan infrastruktur.
KLASTERISASI DATA PRODUKSI PERTANIAN DI KABUPATEN CIREBON DENGAN ALGORITMA K-MEANS Septianto, Muhamad Arif; Faqih, Ahmad; Rinaldi, Ade Rizki
Jurnal Informatika dan Teknik Elektro Terapan Vol 13, No 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6174

Abstract

Kabupaten Cirebon merupakan salah satu daerah pertanian terpenting di Indonesia yang memiliki potensi besar di sektor pertanian. Namun pengelolaan data produksi pertanian di daerah ini sering kali tidak optimal sehingga mengakibatkan rendahnya efisiensi dan strategi pengelolaan sumber daya yang kurang tepat. Oleh karena itu, penelitian ini bertujuan untuk menerapkan algoritma K-Means dalam mengelompokkan data produksi pertanian berdasarkan hasil panen dari 40 kecamatan di Kabupaten Cirebon. Metode Knowledge Discovery in Database (KDD) digunakan dalam penelitian ini, meliputi tahap pemilihan data, preprocessing, transformasi, data mining, dan evaluasi hasil cluster. Data yang dianalisis meliputi hasil panen dari tiga komoditas utama, yaitu padi, jagung, dan melinjo. Hasil analisis menunjukkan bahwa data dapat dibagi menjadi empat klaster optimal dengan nilai Davies-Bouldin Index (DBI) sebesar 0,324, yang mengindikasikan bahwa klaster yang terbentuk memiliki kualitas yang baik. Setiap klaster mencerminkan karakteristik produksi yang berbeda-beda di setiap wilayah. Beberapa daerah menunjukkan keunggulan dalam hasil jagung, sementara daerah lain lebih unggul dalam memproduksi padi atau melinjo. Selain itu, terdapat daerah-daerah dengan tingkat produktivitas yang relatif rendah, yang membutuhkan lebih banyak perhatian dalam mengembangkan sektor pertanian. Temuan-temuan ini memberikan wawasan penting dalam merancang pengelolaan sektor pertanian yang lebih efisien dan berbasis data.
KLASTERISASI DATA PRODUKSI PERTANIAN DI KABUPATEN CIREBON DENGAN ALGORITMA K-MEANS Septianto, Muhamad Arif; Faqih, Ahmad; Rinaldi, Ade Rizki
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6174

Abstract

Kabupaten Cirebon merupakan salah satu daerah pertanian terpenting di Indonesia yang memiliki potensi besar di sektor pertanian. Namun pengelolaan data produksi pertanian di daerah ini sering kali tidak optimal sehingga mengakibatkan rendahnya efisiensi dan strategi pengelolaan sumber daya yang kurang tepat. Oleh karena itu, penelitian ini bertujuan untuk menerapkan algoritma K-Means dalam mengelompokkan data produksi pertanian berdasarkan hasil panen dari 40 kecamatan di Kabupaten Cirebon. Metode Knowledge Discovery in Database (KDD) digunakan dalam penelitian ini, meliputi tahap pemilihan data, preprocessing, transformasi, data mining, dan evaluasi hasil cluster. Data yang dianalisis meliputi hasil panen dari tiga komoditas utama, yaitu padi, jagung, dan melinjo. Hasil analisis menunjukkan bahwa data dapat dibagi menjadi empat klaster optimal dengan nilai Davies-Bouldin Index (DBI) sebesar 0,324, yang mengindikasikan bahwa klaster yang terbentuk memiliki kualitas yang baik. Setiap klaster mencerminkan karakteristik produksi yang berbeda-beda di setiap wilayah. Beberapa daerah menunjukkan keunggulan dalam hasil jagung, sementara daerah lain lebih unggul dalam memproduksi padi atau melinjo. Selain itu, terdapat daerah-daerah dengan tingkat produktivitas yang relatif rendah, yang membutuhkan lebih banyak perhatian dalam mengembangkan sektor pertanian. Temuan-temuan ini memberikan wawasan penting dalam merancang pengelolaan sektor pertanian yang lebih efisien dan berbasis data.
PENERAPAN METODE K-MEANS CLUSTERING DALAM PEMETAAN KEMISKINAN KABUPATEN/KOTA DI INDONESIA UNTUK PERENCANAAN KEBIJAKAN YANG TEPAT Amelia, Mita; Faqih, Ahmad; Rinaldi, Ade Rizki
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 2 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i2.6231

Abstract

Kemiskinan merupakan tantangan serius yang memerlukan pendekatan strategis berbasis data untuk mendukung kebijakan yang tepat sasaran. Penelitian ini bertujuan untuk mengelompokkan Kabupaten/Kota di Indonesia berdasarkan tingkat kemiskinan menggunakan algoritma K-Means dan mengevaluasi hasil pengelompokan untuk memberikan rekomendasi kebijakan. Metode analisis yang digunakan adalah Knowledge Discovery in Database (KDD) Process, yang melibatkan seleksi data, pra-pemrosesan, transformasi, penambangan data, dan evaluasi. Hasil analisis menunjukkan bahwa nilai k terbaik adalah 2 dengan nilai Davies-Bouldin Index sebesar 0,101. Klaster pertama (Cluster 0) mencakup wilayah dengan persentase penduduk miskin lebih rendah, rata-rata lama sekolah lebih tinggi, serta kondisi sosial ekonomi yang lebih baik dibandingkan klaster kedua. Sebaliknya, klaster kedua (Cluster 1) menunjukkan wilayah dengan tingkat kemiskinan signifikan, pendidikan rendah, dan minim infrastruktur dasar. Hasil penelitian ini menunjukkan bahwa pengelompokan menggunakan algoritma K-Means mampu mengidentifikasi wilayah prioritas untuk penanganan kemiskinan. Visualisasi klaster dan analisis karakteristik wilayah dapat mendukung perumusan kebijakan yang lebih efektif, terutama dalam peningkatan pendidikan, kesehatan, dan pengembangan infrastruktur.
Co-Authors Ade Irma Purnama Sari Ade Irma Purnamasari agus bahtiar Ahmad Faqih Ahmad Syaeful Ma’arief Alfi Rizqi Falih Amelia, Mita Amida, Anggi Fitria Aria Pratama Arif Rinaldi Dikananda Arlandy, Kevin Salsabil Asep Budiyanto Aziz Chairul Imam Basysyar, Fadhil Muhammad Bima Anurgraha Djajnegara Cep Lukman Rohmat Cep Lukman Rohmat Dadang Sudrajat Dea Miftahul Huda Dian Ade Kurnia Dikananda, Arif Rinaldi Dodi Solihudin Edi Tohidi Fathrurrahman Fathurrohman Fathurrohman Fidya Arie Pratama Gifthera Dwilestari Hayati, Umi Hery Widijanto Iin Iin Solihin Iin, Iin Irfan Ali Irma Agustina Jayawarsa, A.A. Ketut Kurnia, Dian Ade Lana Surlanto Muhamad Abdurohman Muhamad Aditya Sunaryo Mulyawan Mulyawan Mulyawan, Mulyawan Narasati, Riri Narasati Ningsih, Indah Ratna Nining Rahaningsih Noviati Odi Nurdiawan Odi Nurdiawan Permana, Sandy Eka Pratama, Denni Pratama, Fidya Arie Raditya Danar Dana Rahma, Aliya Anisa Ryan Hamonangan Saeful, Agung Sandy Eka Permana Septianto, Muhamad Arif Syarif Maulana Yaasin Tineka Handayani Tohidi, Edi Tuti Hartati Wahyu Saputra