IMPLEMENTASI SISTEM KLASTERISASI MENGGUNAKAN ALGORITMA K-MEANS UNTUK SELEKSI PENERIMA BANTUAN SOSIAL

Achmad Zuhri Musthafa, Bambang Minto Basuki, Anang Habibi

Sari


Permasalahan dalam penyaluran bantuan sosial yang tidak tepat sasaran menjadi tantangan utama bagi LAZISNU Kecamatan Lawang. Seleksi penerima masih bersifat subjektif dan minim validasi data, sehingga distribusi bantuan menjadi kurang akurat. Penelitian ini bertujuan mengimplementasikan metode klasterisasi menggunakan algoritma K-Means sebagai sistem pendukung penentuan kelayakan penerima bantuan. Data primer diperoleh dari JPZIS LAZISNU dan diperkuat dengan data dummy, lalu diproses melalui tahapan Knowledge Discovery in Database (KDD): seleksi data, praproses, transformasi, klasterisasi, dan evaluasi. Data kategorikal diubah menjadi numerik berdasarkan bobot skor. Klasterisasi membagi data ke dalam dua kelompok: layak dan tidak layak menerima bantuan, dengan centroid awal dioptimalkan melalui metode K-Means++. Evaluasi menggunakan Silhouette Score menunjukkan bahwa dua klaster memberikan hasil terbaik. Dari 500 data, 243 individu diklasifikasikan layak, dan 257 tidak layak. Sistem ini diharapkan mampu meningkatkan objektivitas, efisiensi, dan kepercayaan masyarakat dalam proses seleksi bantuan sosial.

Kata Kunci— K-Means, Klasterisasi, Bantuan Sosial, Data Mining, LAZISNU.


Teks Lengkap:

PDF

Referensi


DAFTAR PUSTAKA

G. Urva et al., PENERAPAN DATA MINING DI BERBAGAI BIDANG :

Konsep, Metode, dan Studi Kasus. PT. Sonpedia Publishing Indonesia, 2023. [Online]. Available: https://books.google.co.id/books?id=uq6- EAAAQBAJ

R. F. Putra et al., DATA MINING : Algoritma dan Penerapannya. PT. Sonpedia Publishing Indonesia, 2023. [Online]. Available:

https://books.google.co.id/books? id=zLHGEAAAQBAJ

scikit-learn.org, “K-means,” scikit-learn.org.

N. Ain Kilo, R. Katili, and I. K. Hasan, “Research in the Mathematical and Natural Sciences Perbandingan Metode K-Means dan K-Medoids Dengan Validitas Davies-Bouldin Indeks, Dunn Indeks dan Indeks Connectivity Pada Pengelompokkan Masyarakat Penerima Bantuan Langsung Tunai Under the licence CC BY-NC-SA 4.0,” Res. Math. Nat. Sci, vol. 4, no. 1, pp. 8–15, Jan. 2025, doi: 10.55657/rmns.v4i1.190.

A. Jaelani, A. Irma Purnamasari, and I. Ali, “PENERAPAN ALGORTMA X-MEAN MENENTUKAN PENERIMA BANTUAN SOSIAL,”

JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, pp. 989–993, Mar. 2024, doi:

36040/jati.v8i1.8828.

S. Huddin, E. Haerani, and L. Oktavia, “Penerapan Fuzzy C-Means Pada Klasterisasi Penerima Bantuan Pangan Non Tunai,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 1, pp. 453–461, 2023, doi:

30865/klik.v4i1.988.

Y. Hasan, “Pengukuran Silhouette Score dan Davies-Bouldin Index pada Hasil Cluster K- Means dan Dbscan,” 2024.

F. Pedregosa FABIANPEDREGOSA et al., “Scikit-learn: Machine Learning in Python Gaël Varoquaux Bertrand Thirion Vincent Dubourg Alexandre Passos PEDREGOSA, VAROQUAUX, GRAMFORT ET AL. Matthieu Perrot,” 2011. [Online]. Available: http://scikit- learn.sourceforge.net.

N. Singhal and Himanshu, “A Review on Knowledge Discovery from Databases,” in Lecture Notes in Electrical Engineering, Springer Science and Business Media Deutschland GmbH, 2022, pp. 457–464. doi: 10.1007/978- 981-16-9488-2_43.

F. Pedregosa FABIANPEDREGOSA et al., “Scikit-learn: Machine Learning in Python Gaël Varoquaux Bertrand Thirion Vincent Dubourg Alexandre Passos PEDREGOSA, VAROQUAUX, GRAMFORT ET AL. Matthieu Perrot,” 2011. [Online]. Available: http://scikit- learn.sourceforge.net.


Refbacks

  • Saat ini tidak ada refbacks.