ALGORITMA K-NEAREST NEIGHBOUR (K-NN) DENGAN EUCLIDEAN DAN MANHATTAN DISTANCE UNTUK KLASIFIKASI TINGKAT KESEJAHTERAAN DI KABUPATEN TEMANGGUNG

RIZKY, AFIFANTO (2022) ALGORITMA K-NEAREST NEIGHBOUR (K-NN) DENGAN EUCLIDEAN DAN MANHATTAN DISTANCE UNTUK KLASIFIKASI TINGKAT KESEJAHTERAAN DI KABUPATEN TEMANGGUNG. Sarjana / Sarjana Terapan (S1/D4) thesis, Universitas Muhammadiyah Semarang.

Preview	Text HALAMAN JUDUL.pdf Download (492kB) | Preview
Preview	Text ABSTRAK.pdf Download (422kB) | Preview
Preview	Text BAB 1 PENDAHULUAN.pdf Download (713kB) | Preview
Preview	Text BAB 2 TINJAUAN PUSTAKA.pdf Download (1MB) | Preview
	Text BAB 3 METODOLOGI PENELITIAN.pdf Restricted to Repository staff only Download (582kB) | Request a copy
	Text BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (676kB) | Request a copy
Preview	Text BAB 5 KESIMPULAN DAN SARAN.pdf Download (426kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (1MB) | Preview
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text SKRIPSI_RIZKY AFIFANTO_B2A220025.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

ABSTRAK Afifanto, Rizky, 2021, Algoritma K-Nearest Neighbour dengan Euclidean dan Manhattan Distance untuk Klasifikasi Tingkat Kesejahteraan di Kabupaten Temanggung. Skripsi, Program Studi Statistika, Universitas Muhammadiyah Semarang, Pembimbing I: Dr. Rochdi Wasono, M.Si. II: M. Al Haris, M.Si. Kemiskinan merupakan masalah umum yang sangat kompleks yang terdapat dibeberapa bagian negara indonesia, hal ini dapat diketahui dari rendahnya pendidikan, kesehatan dan kualitas hidup masyarakat. Kemiskinan juga merupakan salah satu penghambat bagi seseorang untuk memperoleh kehidupan yang layak atau kehidupan yang sejahtera. Pemerintah memiliki peranan penting dalam mensejahterakan warga negaranya dari kemiskinan. Pemerintah telah melakukan beberapa upaya untuk mengentaskan kemiskinan diantaranya dengan adanya Program Keluarga Harapan (PKH), Bantuan Langsung Tunasi (BLT) dan beberapa program lainnya. Namun dalam pelaksanaannya masih terdapat penerima bantuan yang tidak tepat sasaran sehingga terdapat keluarga dengan katergori sejahtera masih mendapatkan bantuan dan keluarga tidak sejahtera tidak memperoleh bantuan. Beberapa kriteria untuk menentukan masyarakat sejahtera yang telah ditentukan oleh pemerintah setempat diataranya yakni aset/harta benda, jenis lantai, jenis dinding, status lahan atau bangunan, sumber penerangan, sumber air minum, penghasilan, serta sumber energi memasak, dll. Dari permasalah diatas dibutuhkan suatu analisa yang tepat untuk menentukan suatu keputusan. Oleh sebab itu, dalam penelitian ini akan melakukan analisa terhadap data yang diperoleh dengan indikator yang telah disebutkan diatas dengan menggunakan suatu algoritma data mining. Dalam penelitian ini digunakan metode K-Nearest Neighbor (K-NN). lgoritma K-Nearest Network (K-NN) merupakan algoritma yang bisa digunakan untuk melakukan prediksi ataupun klasifikasi terhadap suatu data tergantung dari jenis data pada kumpulan data yang ada. Pada penelitian ini akan dibandingkann kinerja metode K-NN terhadap 2 (dua) metode pengukuran jarak, yaitu jarak Euclidean dan Manhattan/Cityblock. Berdasarkan hasil perhitungan menggunakan euclidean distance didapat nilai akurasi 83%, sensitifitas 7,2%, spesitifitas 97,1%, dan presisi 22,6%. Sedangkan perhitungan menggunakan Manhattan Distance didapat nilai akurasi 83%, sensitifitas 4,3%, spesitifitas 98,2%, dan presisi 14,8%. Secara umum, dari hasil penelitian ini nilai akurasi, presisi, dan sensitifitas tertinggi ditunjukkan oleh euclidean distance. Kata Kunci: Euclidean distance, Klasifikasi, K-Nearest Neighbour, Manhattan Distance, Tingkat Kesejahteraan  ABSTRACT Afifanto, Rizky, 2021. K-Nearest Neighbor Algorithm with Euclidean and Manhattan Distance for Classification of Welfare Levels in Temanggung Regency. Thesis, Statistics Study Program, Muhammadiyah University of Semarang, Supervisor I: Dr. Rochdi Wasono, M.Si. II: M. Al Haris, M.Si. Poverty is a very complex general problem that exists in several parts of Indonesia, this can be seen from the low level of education, health and quality of life of the community. Poverty is also one of the obstacles for someone to get a decent life or a prosperous life. The government has an important role in the welfare of its citizens from poverty. The government has made several efforts to alleviate poverty, including the Family Hope Program (PKH), Cash Direct Assistance (BLT) and several other programs. However, in practice, there are still recipients of assistance who are not on target, so that there are families in the prosperous category who still receive assistance and disadvantaged families do not receive assistance. Some of the criteria to determine a prosperous community that has been determined by the local government include assets/properties, type of floor, type of wall, status of land or building, source of lighting, source of drinking water, income, and source of cooking energy, etc. From the problems above, an appropriate analysis is needed to determine a decision. Therefore, in this study, we will analyze the data obtained with the indicators mentioned above by using a data mining algorithm. From the problems above, an appropriate analysis is needed to determine a decision. Therefore, in this study, we will analyze the data obtained with the indicators mentioned above by using a data mining algorithm. From the problems above, an appropriate analysis is needed to determine a decision. Therefore, in this study, we will analyze the data obtained with the indicators mentioned above by using a data mining algorithm.In this study, the K-Nearest Neighbor (K-NN) method was used. The K-Nearest Network (K-NN) algorithm is an algorithm that can be used to predict or classify data depending on the type of data in the existing data set.In this study, the performance of the K-NN method will be compared against 2 (two) distance measurement methods, namely the Euclidean and Manhattan/Cityblock distances. Based on the results of calculations using the Euclidean distance, the accuracy value is 83%, sensitivity is 7.2%, specificity is 97.1%, and precision is 22.6%. While the calculation using the Manhattan Distance obtained an accuracy value of 83%, sensitivity 4.3%, specificity 98.2%, and precision 14.8%. In general, from the results of this study, the highest values of accuracy, precision, and sensitivity are indicated by the euclidean distance. Keywords: Euclidean distance, Classification, K-Nearest Neighbor, Manhattan Distance, Welfare Level

Actions (login required)

View Item