Penerapan Clustering Nilai Inflasi Berdasarkan Kelompok Pengeluaran Menggunakan Algoritma K-Means di Jawa Barat
DOI:
https://doi.org/10.55606/jtmei.v2i1.1263Keywords:
Clustering, Data Mining, Inflasi, K-Means.Abstract
Indonesia merupakan negara dengan beberapa kota di setiap provinsinya, namun tentunya setiap kota mempunyai tingkat inflasi yang berbeda setiap tahunnya. Dengan banyaknya data inflasi di Indonesia, sulit bagi pemerintah untuk mengkategorikan angka inflasi. Penulis berinisiatif melakukan penelitian tentang mengelompokkan nilai inflasi pengeluaran di jawa barat. Tujuan membuat laporan ini merupakan untuk memperoleh informasi dengan kualitas terbaik dari data yang diproses. Proses ini di harapkan dapat membantu pemerintah dalam mengetahui nilai inflasi berdasarkan kelompok pengeluaran tertinggi dan terendah di Jawa Barat. Metode yang digunakan adalah metode k-means clustering. Penelitian ini juga di dukung menggunakan salah satu perangkat lunak atau tools untuk mengolah data mining yaitu RapidMiner. Didapat hasil cluster terbaik yaitu 5 cluster berdasarkan nilai DBi 0,063. Dimana yang termasuk ke dalam cluster tersebut adalah cluster 0, cluster 2, dan cluster 4 dengan tingkat inflasi rendah berjumlah 5 Kabupaten/Kota. Dan yang termasuk ke dalam tingkat inflasi tinggi adalah cluster 1 dan cluster 3 berjumlah 2 Kabupaten/Kota. Hasil dari data ini juga menunjukkan nilai akurasi sebesar 100%, sehingga bisa disimpulkan jika algoritma k-means mempunyai nilai akurasi tinggi.
Downloads
References
Andika, L. A., Azizah, P. A. N., & Respatiwulan, R. (2019). Analisis Sentimen Masyarakat terhadap Hasil Quick Count Pemilihan Presiden Indonesia 2019 pada Media Sosial Twitter Menggunakan Metode Naive Bayes Classifier. Indonesian Journal of Applied Statistics, 2(1), 34. https://doi.org/10.13057/ijas.v2i1.29998
Dharmawangsa, U., Regression, M., & Dharmawangsa, U. (2023). PREDIKSI ANGKA KELAHIRAN BAYI PADA DATA. 17, 30–40.
Irawan, F. C. (2022). Pengaruh Inflasi, Pertumbuhan Ekonomi, Upah Minimum, dan Penyerapan Tenaga Kerja Terhadap Pengangguran Terbuka Di Provinsi Banten Tahun 2000-2020. Jurnal Ilmu Ekonomi JIE, 6(1), 49–58. https://doi.org/10.22219/jie.v6i1.19798
Maisyaroh, T. (2023). Inflasi Dan Pengangguran Dalam Islam Inflation And Unemployment In Islam. 7(1), 1–5. https://doi.org/10.58258/jisip.v7i1.3562/http
Nahjan, M. R., Heryana, N., Voutama, A., Komputer, F. I., Karawang, U. S., & Miner, R. (2023). IMPLEMENTASI RAPIDMINER DENGAN METODE CLUSTERING K-MEANS UNTUK ANALISA PENJUALAN PADA TOKO OJ CELL. 7(1), 101–104.
Prastiwi, H., Pricilia, J., & Raswir, E. (2022). Implementasi Data Mining Untuk Menentuksn Persediaan Stok Barang Di Mini Market Menggunakan Metode K-Means Clustering Jurnal Informatika Dan Rekayasa Komputer ( JAKAKOM ). Jurnal Informatika Dan Rekayasa Komputer (JAKAKOM), 1(April), 141–148.
Prayoga, Y., Tambunan, H. S., & Parlina, I. (2019). Penerapan Clustering Pada Laju Inflasi Kota Di Indonesia Dengan Algoritma K-Means. BRAHMANA: Jurnal Penerapan Kecerdasan Buatan, 1(1), 24–30. https://doi.org/10.30645/brahmana.v1i1.4
Ramdhan, D., Dwilestari, G., Dana, R. D., Ajiz, A., & Kaslani, K. (2022). Clustering Data Persediaan Barang Dengan Menggunakan Metode K-Means. MEANS (Media Informasi Analisa Dan Sistem), 7(1), 1–9. https://doi.org/10.54367/means.v7i1.1826
Sari, K., & Sudibyo, N. A. (2020). Implementasi Metode K-means untuk Mengelompokkan Tingkat Inflasi di Indonesia. E-Journal Biastatistics| Departemen …. Retrieved from https://www.researchgate.net/profile/Nugroho-Sudibyo/publication/353767505_Implementasi_Metode_K-means_untuk_Mengelompokkan_Tingkat_Inflasi_di_Indonesia/links/6110ca431ca20f6f860b96e5/Implementasi-Metode-K-means-untuk-Mengelompokkan-Tingkat-Inflasi-di-Ind
Sari, Y. R., Sudewa, A., Lestari, D. A., & Jaya, T. I. (2020). Penerapan Algoritma K-Means Untuk Clustering Data Kemiskinan Provinsi Banten Menggunakan Rapidminer. CESS (Journal of Computer Engineering, System and Science), 5(2), 192. https://doi.org/10.24114/cess.v5i2.18519
Suntoro, J. (2019). 22-DATA MINING Algoritma dan Implementasi Menggunakan Bahasa Pemrograman PHP. DATA MINING Algoritma Dan Implementasi Menggunakan Bahasa Pemrograman PHP, 9(9), 259–278.
Suseno, & Astiyah, S. (2010). Seri kebanksentralan no. 22 - Inflasi. Bank Indonesia, 22(22), 1–68. Retrieved from http://ipief.umy.ac.id/wp-content/uploads/2020/02/22.-Inflasi.pdf
Umar, E., Manongga, D., & Iriani, A. (2022). Market Basket Analysis Menggunakan Association Rule dan Algoritma Apriori Pada Produk Penjualan Mitra Swalayan Salatiga. Jurnal Media Informatika Budidarma, 6(3), 1367. https://doi.org/10.30865/mib.v6i3.4217
Wirma, S. (2022). Data Mining Dengan Metode Naïves Bayes Classifer dalam Memprediksi Tingkat Kepuasan Pelayanan Dokumen Kependudukan. Jurnal Informatika Ekonomi Bisnis, 4(3), 156–160. https://doi.org/10.37034/infeb.v4i3.155
