Implementasi Data Mining Dalam Penentuan Tingkat Kemiskinan Menggunakan Fuzzy C-Means

Abstract

Kemiskinan merupakan salah satu persoalan yang menjadi perhatian utama pemerintah daerah, termasuk di Kabupaten Bone Bolango, Provinsi Gorontalo, Indonesia. Berbagai program dan bantuan untuk mensejahterakan masyarakat telah dilaksanakan oleh pemerintah daerah namun dinilai belum efektif, karena adanya kekeliruan yang disebabkan oleh ketidaksesuaian dalam penentuan kategori rumah tangga miskin pada saat pendataan. Tujuan penelitian ini adalah menerapkan algoritma Fuzzy C-Means dalam menentukan kategori rumah tangga miskin. Metode yang digunakan dalam penelitian ini adalah Metode Eksperimen dengan menggunakan tahapan umum dari proses Data Mining dengan Algoritma Clustering Fuzzy C-Means. Penelitian ini menghasilkan sebuah sistem yang dapat mendata rumah tangga miskin dan kemudian mengelompokannya ke dalam (3) jenis kategori yaitu miskin, hampir miskin, dan sangat miskin dengan model perhitungan yang lebih akurat. Kesimpulan yang diperoleh bahwa sistem yang dibuat telah behasil mengklaster 100 (seratus) data sampel rumah tangga miskin di Kabupaten Bone Bolango ke dalam tiga kategori kemiskinan, dengan persentase setiap kategori adalah 50% sangat miskin, 34% hampir miskin, dan 16% sangat miskin.


Poverty has become one of the major issues concerned by the government in Bone Bolango Regency, Gorontalo Province, Indonesia. Various programs and assistance for the welfare of the community have been implemented, yet they are considered ineffective due to some mistakes in specifying the category of poor households during the data collection process. The objective of this present study is to apply the Fuzzy C-Means algorithm in determining the category of poor households. Further, it employed the Experimental Method by going through general stages of the Data Mining process with the Fuzzy C-Means Clustering algorithm. This study produces a system that is able to record poor households, which then groups them into three categories, including poor (50%), almost poor (34%), and very poor (16%) with a more accurate calculation model. In brief, the produced system has successfully clustered 100 sample data of poor households in the site area into three poverty categories with the percentage of each category mentioned above.