Pengelompokkan Indeks Harga Konsumen Menurut Kota Dengan Datamining Clustering

Dewinta Marthadinata Sinaga, Agus Perdana Windarto, Dedy Hartama, Saifullah Saifullah

Abstract


Indikator  harga barang dan  jasa sangat mempengaruhi pertumbuhan ekonomi masyarakat setempat. Pertumbuhan ekonomi digunakan untuk mengukur keberhasilan pembangunan dengan indeks harga konsumen sehingga kenaikan atau penurunan harga merupakan informasi penting untuk mengetahui perkembangan ekonomi. .Indeks harga konsumen merupakan ukuran biaya keseluruhan barang dan jasa yang dibeli oleh masyarakat seperti bahan makanan pokok, sandang, perumahan, transpor, kesehatan dan sebagainya. Penelitian ini membahas tentang Pengelompokkan Indeks Harga Konsumen Menurut Kota Dengan Datamining Clustering. Sumber data penelitian ini diperoleh dari Badan Pusat Statistik (BPS). Data yang digunakan dalam penelitian ini adalah data  dari 2000-2012 yang terdiri dari 66 kota. Variable yang digunakan yaitu Sandang. Proses cluster  dibagi kedalam 3 (tiga) cluster  yaitu  cluster tingkat indeks harga konsumen tinggi (C1), cluster tingkat indeks harga konsumen sedang (C2), dan cluster tingkat  indeks harga konsumen rendah (C3). Sehingga diperoleh penilaian untuk indeks harga konsumen cluster tinggi (C1) sebanyak 14kota  yakni Banda Aceh, Sibolga, Pematangsiantar, Medan, Padangsidempuan, Palembang, Jakarta, Jember, Surabaya, Pontianak, Palangkaraya, Palu, Makassar, Kendari dengan centroid data 2321,2486, untuk cluster sedang (C2) sebanyak 29 kota yakni Lhouseumawe, Padang, Pekanbaru, Batam, Jambi, Bengkulu, Bandar Lampung, Bandung, Cirebon, Tasikmalaya, Serang, Purwokerto, Surakarta, Semarang, Tegal, Yogyakarta, Kediri, Malang, Denpasar, Mataram, Kupang, Sampit, Banjarmasin, Balikpapan, Samarinda, Manado, Ambon, Ternate, Jayapura dengan centroid data 1974, 7593  dan untuk cluster rendah (C3) sebanyak 23 kota yakni Dumai, Tanjung Pinang, Pangkal Pinang, Bogor, Sukabumi, Bekasi, Depok, Tangerang, Cilegon, Sumenep, Probolinggo, Madiun, Bima, Maumere, Singkawang, Tarakan, Gorontalo, Watampone, Pare-pare, Mamuju, Palopo, Manokwari, Sorong dengan centroid data 661, 0513. Hal ini dapat menjadi  peluang bagi pemerintah untuk mengembangkan dan meningkatkan kebijakan dibidang pembangunan ekonomi yang akan datang.

Kata Kunci: Data Mining, Indeks Harga Konsumen, Clustering, K-Means


Full Text:

PDF

References


P. N. Siswa, “1 , 2 , 3 , 4,” vol. 1, no. 2012, 2016.

A. Nurzahputra, M. A. Muslim, and M. Khusniati, “Penerapan Algoritma K-Means Untuk Clustering Penilaian Dosen Berdasarkan Indeks Kepuasan Mahasiswa,” Techno.Com, vol. 16, no. 1, pp. 17–24, 2017.

S. Agustina, D. Yhudo, H. Santoso, N. Marnasusanto, A. Tirtana, and F. Khusnu, “Clustering Kualitas Beras Berdasarkan Ciri Fisik Menggunakan Metode K-Means,” pp. 1–7, 2012.

A. P. Windarto, M. R. Lubis, and S. Solikhun, “Implementasi JST pada Prediksi Total Laba Rugi Komprehensif Bank Umum dan Konvensional dengan Backpropagation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 411, 2018.

A. P. Windarto, M. R. Lubis, and S. Solikhun, “Model Arsitektur Neural Network Dengan Backpropogation Pada Prediksi Total Laba Rugi Komprehensif Bank Umum Konvensional,” Klik - Kumpul. J. Ilmu Komput., vol. 5, no. 2, p. 147, 2018.

D. R. Sari, A. P. Windarto, D. Hartama, and S. Solikhun, “Sistem Pendukung Keputusan untuk Rekomendasi Kelulusan Sidang Skripsi Menggunakan Metode AHP-TOPSIS,” J. Teknol. dan Sist. Komput., vol. 6, no. 1, p. 1, 2018.

L. Marlinda, “SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN TEMPAT WISATA YOGYAKARTA MENGGUNAKAN METODE ELimination Et Choix Traduisan La RealitA (ELECTRE),” Jurnal.Umj.Ac.Id/Index.Php/Semnastek, no. November, pp. 1–7, 2016.

F. Syahputra, M. Mesran, I. Lubis, and A. P. Windarto, “Sistem Pendukung Keputusan Pemilihan Guru Berprestasi Kota Medan Menerapkan Metode Preferences Selection Index (Studi Kasus : Dinas Pendidikan Kota Medan),” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 2, no. 1, pp. 147–155, 2018.

A. Wanto and S. Tunas Bangsa, “Sistem Pendukung Keputusan Dengan Menggunakan Metode Electre Dalam Merekomendasikan Dosen Berprestasi Bidang Ilmu Komputer (Study Kasus di AMIK & STIKOM Tunas Bangsa) Artificial intelligence View project Computer Network View project,” no. September, 2017.

A. H. Aji, M. T. Furqon, and A. W. Widodo, “Sistem Pakar Diagnosa Penyakit Ibu Hamil Menggunakan Metode Certainty Factor ( CF ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 5, pp. 2127–2134, 2018.

M. Turnip, “Sistem Pakar Diagnosa Penyakit THT Menggunakan Metode Backward Chaining,” Riau J. Comput. Sci., vol. 1, no. 1, pp. 1–8, 2015.

W. Munandar et al., “Metode Fuzzy Multiple Attribute Decision Making ( Fmadm ),” no. 03, pp. 45–58.

I. Tri, R. Yanto, M. Akmar, and T. Herawan, “Engineering Applications of Arti fi cial Intelligence A modi fi ed Fuzzy k -Partition based on indiscernibility relation for categorical data clustering,” Eng. Appl. Artif. Intell., vol. 53, pp. 41–52, 2016.

J. R. Jang, “ANFIS : Adap tive-Ne twork-Based Fuzzy Inference System,” vol. 23, no. 3, 1993.

M. Sugeno and T. Takagi, “[15] Fuzzy identification of systems and its applications to modeling and control,” IEEE Trans. Syst. Man. Cybern., vol. 15, no. 1, pp. 116–132, 1985.

M. G. Sadewo, A. P. Windarto, and D. Hartama, “PENERAPAN DATAMINING PADA POPULASI DAGING AYAM RAS PEDAGING DI INDONESIA BERDASARKAN PROVINSI MENGGUNAKAN K-MEANS,” Nas. Inform. dan Teknol. Jar., vol. 2, no. 1, pp. 60–67, 2016.

M. G. Sadewo, A. P. Windarto, and A. Wanto, “Penerapan Algoritma Clustering Dalam Mengelompokkan Banyaknya Desa/Kelurahan Menurut Upaya Antisipasi/ Mitigasi Bencana Alam Menurut Provinsi Dengan K-Means,” vol. 2, no. 1, pp. 311–319, 2018.

A. P. Windarto, S. Tinggi, I. Komputer, and T. Bangsa, “Implementation of Data Mining on Rice Imports by Major Country of Origin Implementation of Data Mining on Rice Imports by Major Country of Origin Using Algorithm Using K-Means Clustering Method,” vol. 1, no. 2, pp. 26–33, 2017.

R. W. Sari, A. Wanto, and A. P. Windarto, “Implementasi Rapidminer Dengan Metode K-Means (Study Kasus: Imunisasi Campak Pada Balita Berdasarkan Provinsi),” vol. 2, no. 1, pp. 224–230, 2018.

L. Teori, “( K-MEANS ALGORITHM IMPLEMENTATION FOR CLUSTERING OF PATIENTS DISEASE IN KAJEN CLINIC OF PEKALONGAN ) Anindya Khrisna Wardhani Magister Sistem Informasi Universitas Diponegoro,” J. Transform., vol. 14, no. 1, pp. 30–37, 2016.

M. G. Sadewo, A. Eriza, A. P. Windarto, and D. Hartama, “Algoritma K-Means Dalam Mengelompokkan Desa / Kelurahan Menurut Keberadaan Keluarga Pengguna Listrik dan Sumber Penerangan Jalan Utama Berdasarkan Provinsi,” pp. 754–761, 2019.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2019 Seminar Nasional Sains dan Teknologi Informasi (SENSASI)