Model Machine Learning Klasifikasi Data Sekolah TK Berdasarkan Status dan Kabupaten

abdu rahman; Fiqih Ismawan

doi:10.30998/faktorexacta.v15i2.13211

Model Machine Learning Klasifikasi Data Sekolah TK Berdasarkan Status dan Kabupaten

abdu rahman⁽¹⁾, Fiqih Ismawan^(2*)

(1) Universitas Indraprasta PGRI
(2)
(*) Corresponding Author

Abstract

Klasifikasi status sekolah menjadi parameter khusus bagi beberapa kalangan orang tua dalam melakukan pemilihan sekolah untuk anak yang dinginkan, beberapa pertimbangan khusus dalam penentuan sekolah salah satunya adalah status sekolah, jumlah sekolah, jumlah guru, jumlah murid dan jumlah ruang kelas. Makalah ini melaporkan bahwa data status sekolah TK kabupaten dan kota administrasi provinsi DKI Jakarta dapat dilakukan klasifikasi berdasarkan cluster dan domain data, dengan mempartisi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karateristik yang berbeda dikelompokan ke dalam cluster yang lain. Metode klasifikasi yang digunakan adalah Levenshtein Distance dan K-Means Clustering, sumber data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh data.jakarta.go.id. Data sekunder yang digunakan adalah data sekolah dari 12 record kabupaten dan kota di Jakarta. Penelitian ini bertujuan untuk membuat model dan menentukan kriteria serta menganalisis akurasi klasifikasi antara ketiga metode tersebut dalam klasifikasi Data Sekolah TK Berdasarkan Status dan Kabupaten/Kota Administrasi Provinsi DKI Jakarta. Setelah dilakukan pengujian maka hasil Silhouette Score berdasarkan Average dari 4 atribut yaitu Cluster C1 dari score 0,691355 sampai 0,718406, Cluster C2 dari score 0,745171 sampai 0,747778 dan Cluster C3 dari score 0,601115 sampai 0,647377. Hasil Penelitian ini berupa pemodelan data dengan menggunakan parameter yang diambil dari data.jakarta.go.id kemudian diuji menggunakan beberapa model klasifikasi yang terdapat pada Machine Learning.

Full Text:

PDF (Indonesian)

References

S. J. Russell and P. Norvig, Artificial Intelligence (A Modern Approach ThirdEdition Stuart), vol. 48. 2016.

S. Shalev-Shwartz and S. Ben-David, Understanding machine learning: From theory to algorithms, vol. 9781107057. 2013.

R. Verganti, L. Vendraminelli, and M. Iansiti, “Innovation and Design in the Age of Artificial Intelligence,” J. Prod. Innov. Manag., vol. 37, no. 3, pp. 212–227, 2020.

Y. Jin, H. Wang, and C. Sun, “Introduction to Machine Learning,” in Studies in Computational Intelligence, vol. 975, 2021, pp. 103–145.

S. Vieira, W. H. Lopez Pinaya, and A. Mechelli, “Introduction to machine learning,” in Machine Learning: Methods and Applications to Brain Disorders, 2019, pp. 1–20.

O. Pentakalos, “Introduction to machine learning,” in CMG IMPACT 2019, 2019.

N. A. Parasa, J. V. Namgiri, S. N. Mohanty, and J. K. Dash, “Introduction to Unsupervised Learning in Bioinformatics,” in Data Analytics in Bioinformatics, 2021, pp. 35–49.

A. Ng, Clustering - Unsupervised Learning Introduction. 2021, pp. 209–218.

S. Ullman, T. Poggio, D. Harari, D. Zysman, and D. Seibert, “9.54 Class 13 Unsupervised learning Clustering,” Unsupervised Learn. Slides, p. 54, 2014.

G. Hicham, Y. Abdallah, and B. Mostapha, “Introduction of the weight edition errors in the Levenshtein distance,” Int. J. Adv. Res. Artif. Intell., vol. 1, no. 5, 2012.

F. Indriyani and E. Irfiani, “Clustering Data Penjualan pada Toko Perlengkapan Outdoor Menggunakan Metode K-Means (Clustering Sales Data at Outdoor Equipment Stores Using KMeans Method),” JUITA J. Inform., vol. 7, no. 2, pp. 109–113, 2019.

M. Chau, R. Cheng, B. Kao, and J. Ng, “Uncertain data mining: An example in clustering location data,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2006, vol. 3918 LNAI, pp. 199–204.

K. Fatmawati and A. P. Windarto, “DATA MINING: PENERAPAN RAPIDMINER DENGAN K-MEANS CLUSTER PADA DAERAH TERJANGKIT DEMAM BERDARAH DENGUE (DBD) BERDASARKAN PROVINSI,” Comput. Eng. Sci. Syst. J., vol. 3, no. 2, p. 173, 2018.

P. Novianti, D. Setyorini, and U. Rafflesia, “K-means cluster analysis in earthquake epicenter clustering,” Int. J. Adv. Intell. Informatics, vol. 3, no. 2, pp. 81–89, 2017.

M. H. Adiya and Y. Desnelita, “Jurnal Nasional Teknologi dan Sistem Informasi Penerapan Algoritma K-Means Untuk Clustering Data Obat-Obatan Pada RSUD Pekanbaru,” Nas. Teknol. dan Sist. Inf., vol. 01, pp. 17–24, 2019.

S. Ghosal, R. Bhattacharyya, and M. Majumder, “Impact of complete lockdown on total infection and death rates: A hierarchical cluster analysis,” Diabetes Metab. Syndr. Clin. Res. Rev., vol. 14, no. 4, pp. 707–711, 2020.

A. Nastuti and S. Z. Harahap, “TEKNIK DATA MINING UNTUK PENENTUAN PAKET HEMAT SEMBAKO DAN KEBUTUHAN HARIAN DENGAN MENGGUNAKAN ALGORITMA FP-GROWTH (STUDI KASUS DI ULFAMART LUBUK ALUNG),” J. Inform., vol. 7, no. 3, pp. 111–119, 2019.

N. Nidheesh, K. A. Abdul Nazeer, and P. M. Ameer, “An enhanced deterministic K-Means clustering algorithm for cancer subtype prediction from gene expression data,” Comput. Biol. Med., vol. 91, pp. 213–221, 2017.

DOI: http://dx.doi.org/10.30998/faktorexacta.v15i2.13211