Analisis Clustering Penduduk Miskin Di Provinsi Aceh Menggunakan Algoritma K-Means Dan X-Means

Bustami Bustami (Universitas Islam Negeri Ar-Raniry)
Rike Mahara (Universitas Islam Negeri Ar-Raniry)
Hendri Ahmadian (Universitas Islam Negeri Ar-Raniry)
Sri Wahyuni (Universitas Islam Negeri Ar-Raniry)
Khairan AR (Universitas Islam Negeri Ar-Raniry)

Jurnal Nasional Komputasi dan Teknologi Informasi
Vol 5, No 1 (2022): Februari 2022

Abstrak-Analisis Clustering merupakan salah satu metode yang bertujuan untuk mengelompokan data/objek berdasarkan kemiripan dan ketidakmiripan karakteristiknya. Sehingga objek yang berada pada satu cluster memiliki kemiripan yang besar dan sangat kecil bila dibandingkan dengan cluster lain. Algoritma K-means merupakan salah satu metode pengelompokan non hierarki yang paling umum digunakan, namun pada algoritma ini pengguna harus mengetahui jumlah kelompok yang akan dikelompokan. Sedangkan algoritma X-means merupakan pengembangan dari algoritma K-means, dimana algoritma ini mampu mengelompokan datanya sendiri tanpa menginput jumlah k. Algoritma X-means akan berhenti melakukan pengelompokan hingga batas cluster maksimal tercapai. Algoritma X-means juga tau kapan dan dimana centroid baru harus muncul berdasarkan perhitungan nilai Bayesian Information Criterion  (BIC). Penelitian ini bertujuan untuk membandingkan hasil analisis clusteringK-means dengan X-means menggunakan data penduduk miskin provinsi Aceh tahun 2018 dan data Iris. Hasil pengujian clustering dengan data Iris memiliki tingkat kemurnian dan hasil pengelompokan yang baik dari masing-masing algoritma. Yaitu nilai purity pada K-means sebanyak 0.89 dan pada X-means 0.88 dengan nilai Davies Bouldin Index (DBI) masing-masing 0.16. Dan hasil pengujian clustering dengan data penduduk miskin menunjukkan bahwa pada algoritma K-means didapatkan tingkatan kemiskinan dengan kategori Sangat Miskin berada pada cluster nol, kategori Miskin pada cluster dua, kateogori Rentan Miskin berada pada cluster tiga dan kategori Tidak Miskin berada pada cluster satu. Dan pada algoritma X-means diperoleh tingkatan kemiskinan dengan kategori Sangat Miskin berada pada cluster satu, kategori Miskin pada cluster tiga, kategori Rentan Miskin berada pada cluster dua dan kategori Tidak Miskin berada pada cluster nol. Berdasarkan Waktu yang dibutuhkan selama proses clustering algoritma X-means memiliki kecepatan yang lebih baik yaitu 0.06second. Sedangkan K-means membutuhkan waktu selama 0.22 second. Sehingga dapat disimpulkan bahwa algoritma X-means lebih cepat dalam melakukan pengelompokan dibandingkan algoritma K-means. Kata Kunci : Penduduk Miskin, K-means, X-means, Purity, Davies Bouldin Index (DBI)