Garuda - Garba Rujukan Digital

KLASTERISASI DAERAH PESERTA KB AKTIF DI KABUPATEN ASAHAN MENGGUNAKAN METODE K-MEANS Fajar Munawar; Aftari Swastika Dyah Utami; Sari Bunga Tiara Manurung
J-Com (Journal of Computer) Vol 4, No 1 (2024): Maret 2024
Publisher : LPPM STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/j-com.v4i1.3047

Abstract: Active Family Planning (FP) participants are one of the indicators of the success of the FP program. This study aims to cluster the level of activity of active FP participants in Asahan Regency using the K-Means method. The data used is data on active FP participants in Asahan Regency in 2021. The results of the study showed that there are three groups of active FP participants based on their level of activity, namely the group with a low level of activity, the group with a medium level of activity, and the group with a high level of activity. The group with a low level of activity consists of 7 districts, namely B.P Mandoge, Pulau Rakyat, Tanjung Balai, Air Batu, Sei Dadap, Pulo Bandring, and Kisaran Barat. The impact of low active FP participants in a district is an increase in the number of unwanted births, an increase in the number of maternal and child deaths, and an increase in population density. The group with a medium level of activity consists of 15 districts, namely Bandar Pulau, Aek Songsongan, Rahuning, Aek Kuasan, Aek Ledong, S. Kepayang, S. Kepayang Barat, S. Kepayang Timur, Teluk Dalam, Buntu Pane, Tinggi Raja, Setia Janji, Meranti, R. Panca Arga, and Silau Laut. The group with a high level of activity consists of 3 districts, namely Simpang Empat, Air Joman, and Kisaran Timur. The impact of the high number of active FP participants in a district is an increase in maternal and child health, an increase in family economy, and an increase in family welfare. The results of this clustering analysis can be used by the National Population and Family Planning Agency (BKKBN) of Asahan Regency to improve public understanding of the importance of birth control. This can be done through socialization throughout the regency, especially in districts where the results of the analysis show that the number of active FP participants is quite large. Keywords: Family Planning, K-Means, ClusterAbstrak: Peserta Keluarga Berencana (KB) aktif merupakan salah satu indikator keberhasilan program KB. Penelitian ini bertujuan untuk melakukan klasterisasi tingkat keaktifan peserta KB aktif di Kabupaten Asahan menggunakan metode K-Means. Data yang digunakan adalah data peserta KB aktif di Kabupaten Asahan tahun 2021. Hasil penelitian menunjukkan bahwa terdapat tiga kelompok peserta KB aktif berdasarkan tingkat keaktifannya, yaitu kelompok dengan tingkat keaktifan rendah, kelompok dengan tingkat keaktifan sedang, dan kelompok dengan tingkat keaktifan tinggi. Kelompok dengan tingkat keaktifan rendah terdiri dari 7 Kecamatan, yaitu B.P Mandoge, Pulau Rakyat, Tanjung Balai, Air Batu, Sei Dadap, Pulo Bandring, dan Kisaran Barat. Dampak dari rendahnya peserta aktif KB di suatu Kecamatan yaitu meningkatnya angka kelahiran tidak diinginkan, meningkatnya angka kematian ibu dan bayi, dan meningkatnya kepadatan penduduk. Kelompok dengan tingkat keaktifan sedang terdiri dari 15 Kecamatan, yaitu Bandar Pulau, Aek Songsongan, Rahuning, Aek Kuasan, Aek Ledong, S. Kepayang, S. Kepayang Barat, S. Kepayang Timur, Teluk Dalam, Buntu Pane, Tinggi Raja, Setia Janji, Meranti, R. Panca Arga, dan Silau Laut. Kelompok dengan tingkat keaktifan tinggi terdiri dari 3 Kecamatan, yaitu Simpang Empat, Air Joman, dan Kisaran Timur. Dampak dari tingginya peserta aktif KB di suatu Kecamatan yaitu meningkatnya kesehatan ibu dan anak, meningkatnya ekonomi keluarga, dan meningkatnya kesejahteraan keluarga. Hasil analisis klasterisasi ini dapat dimanfaatkan oleh Badan Kependudukan dan Keluarga Berencana Nasional (BKKBN) Kabupaten Asahan untuk meningkatkan pemahaman masyarakat tentang pentingnya pengendalian kelahiran. Hal ini dapat dilakukan melalui sosialisasi di seluruh wilayah kabupaten, khususnya di kecamatan-kecamatan yang hasil analisisnya menunjukkan jumlah peserta KB aktif cukup banyak.Kata kunci: Keluarga Berencana, K-Means, Klaster

PENERAPAN DATA MINING UNTUK PENENTUAN KELAS UNGGULAN DENGAN ALGORITMA K-MEANS PADA SMP NEGERI 3 KUALUH HULU Nur Balqis; Erika Amoy Parapat
J-Com (Journal of Computer) Vol 4, No 1 (2024): Maret 2024
Publisher : LPPM STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/j-com.v4i1.2978

Pendidikan memainkan peran krusial dalam pengembangan individu dan masyarakat. Peningkatan mutu pendidikan menjadi fokus utama pembangunan di Indonesia, dengan peran guru sebagai faktor penting dalam mencapai tujuan tersebut. SMP Negeri 3 Kualuh Hulu, sebagai salah satu lembaga pendidikan, menghadapi tantangan dalam pengelompokan siswa baru ke dalam kelas unggulan. Penelitian ini menggunakan metode Data Mining, khususnya K-Means Clustering, untuk membantu dalam seleksi dan pengelompokan siswa berdasarkan nilai rapor mereka. Metode K-Means Clustering digunakan untuk mengklasifikasikan siswa ke dalam tiga kelompok: tinggi, sedang, dan rendah. Penelitian ini menggambarkan proses pengolahan data menggunakan Python untuk memperoleh hasil klasterisasi. Hasilnya menunjukkan bahwa 25 siswa memiliki nilai tinggi, 45 siswa memiliki nilai sedang, dan 41 siswa memiliki nilai rendah. Dengan informasi ini, sekolah dapat dengan cepat dan efisien menentukan siswa yang layak masuk kelas unggulan, memungkinkan peningkatan kualitas pembelajaran dan persiapan siswa untuk pendidikan lanjutan.

KLASTERISASI TINGKAT PENJUALAN OBAT PADA APOTEK JAKA WIJAYA DENGAN MENGGUNAKAN METODE K-MEANS deni andria hidayanti; fitri kurnia; rahmawati rahmawati
J-Com (Journal of Computer) Vol 4, No 1 (2024): Maret 2024
Publisher : LPPM STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/j-com.v4i1.3048

Abstrak: A pharmacy is a health service facility to help improve the health of the community, a pharmacy is also a place for professional pharmacists to practice their work. To determine the amount of stock inventory, Jaka Wijaya Pharmacy requires a clusterization of sales stock data. The method that can be used is the K-Means algorithm. This algorithm is based on a simple idea. K-Means is a distance-based clustering method that divides data into a number of clusters and this algorithm only works on numeric attributes. The data processed in this research is a sample taken from the Jaka Wijaya Pharmacy data in 2022. The Jaka Wijaya Pharmacy dataset consists of the attributes No, Drug Item, Type, Packaging, Initial Stock, Cost Price, Unit Conversion, Selling Price, Number of Transactions, Ending Stock, Shelf, Warehouse-Office Codes. With the K-Means Clustering method, it is possible to group drug sales data with stock that is not selling well as cluster 0, stock that is selling well as cluster 1, and stock that is selling very well as cluster 2. The sample data to be tested consists of 170 data from the Jaka Wijaya Pharmacy. Where the cluster results show that there are several results, namely cluster 0 totaling 102, cluster 1 totaling 34, and cluster 2 totaling 34 decisions, where the decisions include very in demand, in demand, not in demand.Keywords: Data Mining; Jaka Wijaya Pharmacy; K-means ClusterAbstrak: Apotek merupakan sarana pelayanan kesehatan untuk membantu meningkatkan kesehatan bagi masyarakat, apotek juga sebagai tempat praktik tenaga profesi apoteker dalam melakukan pekerjaan. Untuk menentukan jumlah persediaan stok, Apotek Jaka Wijaya membutuhkan suatu clusterisasi data stok penjualan. Metode yang dapat digunakan yaitu algoritma K-Means. Algoritma ini didasarkan pada ide sederhana. K-Means adalah metode Clustering berbasis jarak yang membagi data ke dalam sejumlah cluster dan algoritma ini hanya bekerja pada atribut numeric. Data yang diolah dalam penelitian ini merupakan sampel yang diambil dari data Apotek Jaka Wijaya pada tahun 2022. Dataset Apotek Jaka Wijaya terdiri dari atribut No, Item Obat, Jenis, Kemasan, Stok Awal, Harga Pokok, Konversi Satuan, Harga Jual, Jumlah Transaksi, Stok Akhir, Rak, Kode Gudang-Kantor. Dengan metode K-Means Clustering maka dapat mengelompokkan data penjualan obat dengan stok kurang laris sebagai cluster 0, stok laris sebagai cluster 1, dan stok sangat laris sebagai cluster 2. Data sampel yang akan diuji terdiri dari 170 data dari Apotek Jaka Wijaya. Yang dimana hasil cluster menunjukkan terdapat beberapa hasil yaitu cluster 0 berjumlah 102, cluster 1 berjumlah 34, dan cluster 2 berjumlah 34 keputusan yang dimana keputusan itu meliputi sangat laris, laris, kurang laris. Kata kunci: Apotek Jaka Wijaya; Data Mining; K-means Cluster

PENGELOMPOKAN DATA PENDUDUK MISKIN DI SUMATERA UTARA MENGGUNAKAN K-MEANS Ayu Safitri; Rizki Rahmawati; Sri Ayu Wandira
J-Com (Journal of Computer) Vol 4, No 1 (2024): Maret 2024
Publisher : LPPM STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/j-com.v4i1.2998

Abstract: The government has made many efforts to eradicate poverty in society by implementing programs such as pro-poor, basic food assistance and cash assistance which are useful for achieving the standards of a prosperous society. The results of data processing are useful in future decision making. Considering the large amount of public data, finding out poor people is not an easy thing for the government to do, as is the case in North Sumatra. This research uses the K-Means Clustering (Multidimensional) method, making it easier to see patterns and structures in data that are difficult to see in the original representation. The application of the K-Means Clustering (Multidimensional) algorithm produces 3 clusters with a silhouette_score value of 33, namely cluster 0 with a high level of population poverty of 1, cluster 1 with a moderate level of population poverty of 4 and cluster 2 with a low level of population poverty as many as 28. Keywords: Resident; Poor; Data Mining; K-Means Abstrak: Banyak upaya yang dilakukan pemerintah untuk menghapus kemiskinan pada masyarakat dengan cara melakukan program seperti pro-poor, bantuan sembako maupun bantuan uang tunai yang berguna untuk mencapai standar masyarakat sejahtera. Hasil pengolahan data tersebut berguna dalam pengambilan keputusan kedepannya. Mengingat banyaknya data masyarakat, maka untuk mengetahui masyarakat miskin bukanlah hal mudah yang dilakukan oleh pemerintah, sama halnya di Sumatera Utara. Penelitian ini menggunakan metode K-Means Clustering (Multidimensi) memudahkan untuk melihat pola dan struktur dalam data yang sulit dilihat dalam representasi aslinya. Penerapan algoritma K-Means Clustering (Multidimensi) menghasilkan 3 cluster, yaitu dengan cluster 0 dengan tingat kemiskinan penduduk yang tinggi sebanyak 1, cluster 1 dengan tingat kemiskinan penduduk yang sedang sebanyak 4 dan cluster 2 dengan tingkat kemiskinan penduduk yang rendah sebanyak 28. Kata kunci: Penduduk; Miskin; Multidimensi; Data Mining; K-Means

Analisis Sentimen Terhadap Kebijakan Pemerintah Tentang Ditutupnya Fitur Belanja Pada Tiktok Dengan Menggunakan Naïve Bayes Classifier Dan Random Forest Classifier serly marlis tiana
J-Com (Journal of Computer) Vol 4, No 1 (2024): Maret 2024
Publisher : LPPM STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/j-com.v4i1.3140

Pemerintah Indonesia menghadapi sejumlah problematika dalam bidang perekonomian, memerlukan solusi tepat untuk meningkatkan kondisi ekonomi. Keterlibatan langsung pemerintah dalam merespon dan memecahkan masalah tersebut memerlukan pemahaman mendalam terhadap problematika yang dihadapi masyarakat. Pasar, sebagai pusat ekonomi, mengalami transformasi signifikan dengan adanya platform online seperti TikTok, yang sebelumnya menyediakan fitur belanja yang populer. Dalam menghadapi dampak positif dan negatif dari fitur belanja TikTok, pemerintah memutuskan untuk menutup fitur tersebut. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kebijakan tersebut menggunakan Lexicon Based sebagai metode pelabelan, serta Naïve Bayes dan Random Forest sebagai model klasifikasi. Dengan menggunakan teknik crawling data, penelitian ini akan menyajikan analisis sentimen untuk memahami pandangan masyarakat terkait penutupan fitur belanja TikTok dan implikasinya terhadap perekonomian Indonesia.

ANALISIS KEAKURATAN METODE DES DALAM MEMPREDIKSI PERMINTAAN KERAMIK DI FITRI KERAMIK Fachri Nur Ramadhan; Havid Syafwan; Chitra Latiffani
J-Com (Journal of Computer) Vol 4, No 1 (2024): Maret 2024
Publisher : LPPM STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/j-com.v4i1.2913

Abstract: Fitri Keramik Shop sells various types of ceramics. In this research, the researcher created a system that can make it easier to predict demand for ceramics in the following month based on the categories in Fitri Keramik by explaining the correct method for forecasting, one of the methods that can be used is Double Exponential Smoothing (DES) which is a forecasting method using uses a number of new actual demand data to generate forecast values for future demand by finding the average value as a forecast for the future period. The results of predicting demand for ceramics using an alpha value of 0.3 and having the lowest error rate are May 2023, Terraso: 176; Mosaic : 169; Standard Ceramic Floor: 163; Squared : 117. Keywords: Analysis, Double Exponential Smoothing, Predicting Demand. Abstrak: Toko Fitri Keramik melakukan penjualan berbagai jenis keramik. Pada penelitian ini, peneliti membuat sistem yang dapat memudahkan dalam meramalkan permintaan keramik pada bulan berikutnya berdasarkan kategori yang ada pada Fitri Keramik dengan memaparkan metode yang tepat dalam peramalan, salah satu metode yang dapat digunakan yaitu Double Exponential Smoothing (DES) yang merupakan metode peramalan dengan menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan dimasa yang akan datang dengan mencari nilai rata-rata tersebut sebagai ramalan untuk periode yang akan datang. Hasilnya dari memprediksi permintaan keramik dengan menggunakan nilai alpa 0,3 dan memiliki nilai tingkat error terendah yaitu Mei 2023, Teraso : 176; Mozaik : 169; Keramik Lantai Standart: 163; Kuadrat : 117. Kata kunci: Analisis, Double Exponential Smoothing, Memprediksi Permintaan.

ANALISIS STOK BAHAN SEMBAKO DI TOKO MEKAR JAYA MENGGUNAKAN METODE K-MEANS CLUSTERING novi santika; Nurul Hidayah; Salsabilah Ramadhani Sinambela
J-Com (Journal of Computer) Vol 4, No 1 (2024): Maret 2024
Publisher : LPPM STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/j-com.v4i1.3032

Abstract: Mekar Jaya Store is a shop that operates in the field of selling basic necessities. At the Mekar Jaya Store, there are several problems that often arise. When making sales, customers often feel disappointed because the stock that the customer should want to buy is often empty. Due to this disappointment the number of customers decreased. The process carried out is still manual so that errors often occur in recording existing data, causing a lack of efficiency in the time used. The available data is not used properly so that sales data is not utilized as well as possible to design business strategies to improve products. To solve this problem, you can use a data mining application, namely by utilizing existing data to identify the best-selling sales, to sales that are less popular with customers using the K-Means method. Where the data used is 101 sales data transactions. This research aims to group transaction data that is used to meet customer needs appropriately and overcome shortages and excess stock of goods which result in investment in sales capital. The results of this research were that the highest sales were 23 items, medium sales were 32 items, and the lowest sales were 46 items. Keywords: grocery stock; K-Means; stock managementAbstrak: Toko Mekar Jaya merupakan sebuah toko yang bergerak dalam bidang penjualan sembako. Pada Toko Mekar Jaya terdapat beberapa permasalahan yang kerap muncul. Dalam melakukan penjualan sering pelanggan merasa kecewa karena seringnya stok yang seharusnya ingin dibeli oleh pelanggan kosong. Karena kekecewaan tersebut jumlah pelanggan menurun. Adapun proses yang dilakukan masih manual sehingga masih sering terjadi kesalahan dalam pencatatan data yang ada sehingga menyebabkan kurangnya efiensi waktu yang digunakan. Ketersediaan data yang ada tidak digunakan dengan baik sehingga data penjualan tidak dimanfaatkan dengan sebaik mungkin yang dapat merancang strategi bisnis dalam meningkatkan produk. Untuk menyelesaikan masalah tersebut dapat menggunakan aplikasi data mining, yaitu dengan memanfaatkan data yang ada untuk mengidentifikasi penjualan yang paling laris, hingga penjualan yang kurang diminati oleh pelanggan menggunakan metode K-Means. Dimana data yang digunakan sebanyak 101 transaksi data penjualan. Penelitian ini bertujuan untuk mengelompokkan data transaksi yang digunakan untuk memenuhi kebutuhan pelanggan dengan tepat dan mengatasi kekurangan dan kelebihan stok barang yang mengakibatkan tertanamnya modal penjualan. Hasil dari penelitian ini dimana penjualan tertinggi terdapat 23 item, penjualan sedang terdapat 32 item, dan penjualan terendah terdapat 46 item. Kata kunci: Data Mining, K-Means, Penjualan Sembako.Abstract: Mekar Jaya Store is a shop that operates in the field of selling basic necessities. At the Mekar Jaya Store, there are several problems that often arise. When making sales, customers often feel disappointed because the stock that the customer should want to buy is often empty. Due to this disappointment the number of customers decreased. The process carried out is still manual so that errors often occur in recording existing data, causing a lack of efficiency in the time used. The available data is not used properly so that sales data is not utilized as well as possible to design business strategies to improve products. To solve this problem, you can use a data mining application, namely by utilizing existing data to identify the best-selling sales, to sales that are less popular with customers using the K-Means method. Where the data used is 101 sales data transactions. This research aims to group transaction data that is used to meet customer needs appropriately and overcome shortages and excess stock of goods which result in investment in sales capital. The results of this research were that the highest sales were 23 items, medium sales were 32 items, and the lowest sales were 46 items. Keywords:grocery stock; K-Means; stock management Abstrak: Toko Mekar Jaya merupakan sebuah toko yang bergerak dalam bidang penjualan sembako. Pada Toko Mekar Jaya terdapat beberapa permasalahan yang kerap muncul. Dalam melakukan penjualan sering pelanggan merasa kecewa karena seringnya stok yang seharusnya ingin dibeli oleh pelanggan kosong. Karena kekecewaan tersebut jumlah pelanggan menurun. Adapun proses yang dilakukan masih manual sehingga masih sering terjadi kesalahan dalam pencatatan data yang ada sehingga menyebabkan kurangnya efiensi waktu yang digunakan. Ketersediaan data yang ada tidak digunakan dengan baik sehingga data penjualan tidak dimanfaatkan dengan sebaik mungkin yang dapat merancang strategi bisnis dalam meningkatkan produk. Untuk menyelesaikan masalah tersebut dapat menggunakan aplikasi data mining, yaitu dengan memanfaatkan data yang ada untuk mengidentifikasi penjualan yang paling laris, hingga penjualan yang kurang diminati oleh pelanggan menggunakan metode K-Means. Dimana data yang digunakan sebanyak 101 transaksi data penjualan. Penelitian ini bertujuan untuk mengelompokkan data transaksi yang digunakan untuk memenuhi kebutuhan pelanggan dengan tepat dan mengatasi kekurangan dan kelebihan stok barang yang mengakibatkan tertanamnya modal penjualan. Hasil dari penelitian ini dimana penjualan tertinggi terdapat 23 item, penjualan sedang terdapat 32 item, dan penjualan terendah terdapat 46 item. Kata kunci: Data Mining, K-Means, Penjualan Sembako.

RANCANG BANGUN SISTEM INVENTORY GUDANG CV. PACIFIC COM-PUTER DALAM OPTIMALISASI MANAJEMEN STOK kurniawan kokanda; ilwan syafrinal
J-Com (Journal of Computer) Vol 4, No 1 (2024): Maret 2024
Publisher : LPPM STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/j-com.v4i1.2939

Sistem Inventory merupakan suatu sistem untuk mengetahui persediaan stok barang pada suatu lokasi. Sistem Inventory sudah banyak dimanfaatkan atau dikembangkan pada suatu tempat dalam berbagai macam teknologi dan sistem. Permasalahan pada CV. Pacific Computer ini adalah belum tersedianya sistem Inventory barang sehingga belum dapat mengontrol stok barang yang tersedia, database yang tidak terintegrasi dan kurangnya tanggung jawab dalam proses transaksi barang. Oleh karena itu, pada skripsi ini akan merancang aplikasi Inventory dalam bentuk berbasis web, sehingga informasi mengenai stok barang dapat diketahui secara jelas dan terperinci. Aplikasi Inventory ini akan diterapkan menggunakan system localhost berbasis web, yang memungkinkan sistem informasi Inventory ini dapat diakses dalam ruang lingkup kerja saja. Sehingga tidak terjadi manipulasi data diluar jam kerja. Metode pengembangan sistem pada aplikasi ini menggunakan metode protoyping yang terdiri dari lima tahapan. Adapun tahapan tersebut yaitu komunikasi, Perencanaan secara cepat, Pemodelan perancangan secara cepat, pembentukan prototype dan penyerahan sistem perangkat lunak kepada pengguna. Aplikasi ini dirancang dengan menggunakan Bahasa pemrograman PHP dan Database phpMySQL. Berdasarkan konsep dan perancangan, dapat disimpulkan telah dibangun “RANCANG BANGUN SISTEM INVENTORY GUDANG CV. PACIFIC COMPUTER DALAM OPTIMALISASI MANAJEMEN STOK” untuk membantu admin dan Storeman dalam sistem Inventory. Dalam aplikasi ini admin dapat mengetahui dan mengelola data barang, data barang masuk, data barang keluar data kategori, data supplier dan data ajuan. Sedangkan storeman dapat menginput data barang masuk dan data ajuan pengeluaran barang. Admin dan storeman dapat berinteraksi dengan aplikasi ini sesuai dengan informasi yang dibutuhkan melalui menu yang tersedia.Kata kunci: Inventory, Aplikasi Inventory, Website.

KLASTERISASI PENYAKIT MENULAR DI INDONESIA MENGGUNAKAN METODE K-MEANS CLUSTERING Hafiz Muhammad; Sylvia Anggraini
J-Com (Journal of Computer) Vol 4, No 1 (2024): Maret 2024
Publisher : LPPM STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/j-com.v4i1.3033

bstract: Disease is an abnormal condition in which the body or mind experiences discomfort or dysfunction in the person it affects. Every day the number of people suffering from infectious diseases always increases with different types of diseases. Therefore, there is a need for a grouping to help the government find information about the diseases most commonly suffered by citizens. In this research, patient disease data was grouped using multidimensional clustering data mining techniques. K-Means Clustering is a non-hierarchical data clustering method that groups data in the form of one or more clusters. Data that has the same characteristics is grouped in one cluster and data that has different characteristics is grouped in another cluster so that the data in one cluster has a small level of variation. This research aims to make the government pay more attention to areas that have high rates of infectious diseases both from the environment and other things. The results of research from 34 provinces and 8 infectious diseases show data where 32 areas are very vulnerable, 2 areas are vulnerable and 2 areas are quite vulnerable.Keywords: Data Mining, Disease Cases, K-MeansAbstrak: Penyakit adalah suatu keadaan abnormal dimana tubuh ataupun pikiran mengalami ketidaknyamanan atau disfungsi terhadap orang yang dipengaruhinya. Setiap harinya jumlah warga yang menderita penyakit menular selalu bertambah dengan jenis penyakit yang berbeda. Oleh sebab itu, perlu adanya pengelompokan untuk membantu pihak pemerintah menemukan informasi mengenai penyakit yang paling banyak diderita oleh warga. Pada penelitian ini dilakukan pengelompokkan data penyakit pasien menggunakan teknik data mining clustering multidimensi. K-Means Clustering merupakan salah satu metode data clustering non-hirarki yang mengelompokkan data dalam bentuk satu atau lebih cluster. Data-data yang memiliki karakteristik yang sama dikelompokkan dalam satu cluster dan data yang memiliki karakteristik berbeda dikelompokkan dengan cluster yang lain sehingga data yang berada dalam satu cluster memiliki tingkat variasi yang kecil. Penelitian ini bertujuan agar pemerintah lebih perhatian terhadap daerah yang memilki angka tinggi terhadap penyakit menular baik dari lingkungan maupun dari hal lainnya. Hasil dari penelitian dari 34 Provinsi dan 8 Penyakit menular menunjukkan data dimana 32 daerah dengan sangat rawan, 2 daerah rawan dan 2 daerah cukup rawan.Kata kunci: Data Mining, Kasus Penyakit, K-Means

PENILAIAN PENGELOMPOKAN DATA PRESTASI SISWA MENGGUNAKAN METODE K-MEANS UNTUK MENGENALI SISWA BERPRESTASI Jihan Ramadhani; Muhammad Din Nawar; Nur Mala Plorensia Aritonang
J-Com (Journal of Computer) Vol 4, No 1 (2024): Maret 2024
Publisher : LPPM STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/j-com.v4i1.2977

Tidak sedikit upaya yang dilakukan pihak sekolah maupun pihak di bidang pendidikan untuk meningkatkan prestasi siswa di bidang akademik yang berguna untuk mencapai standar pendidikan nasional. Hasil pengolahan data tersebut berguna dalam pengambilan keputusan ke depannya. Mengingat banyaknya data siswa, maka untuk mengetahui siswa berprestasi bukanlah hal mudah yang dilakukan oleh guru maupun sekolah, sama halnya diMts Hidayatul Ulumiyah Ujung Kubu. Hal tersebut dilihat dari segi penguasaan materi pelajaran baik secara teori maupun praktik. Bukan hanya itu, nilai sikap dan daftar hadir juga penting untuk dipertimbangkan. Penelitian ini mengunakan metode K-Means Clustering Semakin mendekati 1, maka modelnya semakin bagus.Penerapan algoritma K-Means Clustering menghasilkan 3 cluster dengan nilai silhouette_score sebesar 0.41, yaitu dengan cluster 0 dengan jumlah Nilai Siswa Terendah sebanyak 80 , cluster 1 dengan jumlah Nilai Siswa Tertinggi sebanyak 49, cluster 2 dengan jumlah Nilai Siswa Terbaik yaitu 82.

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name
Andy Sapta

Contact Email
saptaandy@gmail.com

Phone
+628126416133

Journal Mail Official
jcom@royal.ac.id

Editorial Address
Jl. H.M. Yamin No 173 Kisaran, kab. Asahan, Prov. Sumatera Utara

Location
Kab. asahan,

Sumatera utara

INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Home Page

OAI Link

Editorial Team

Contact

Reviewer

Google Scholar

Contact Name Andy Sapta

Contact Email saptaandy@gmail.com

Phone +628126416133

Journal Mail Official jcom@royal.ac.id

Editorial Address Jl. H.M. Yamin No 173 Kisaran, kab. Asahan, Prov. Sumatera Utara

Location Kab. asahan, Sumatera utara INDONESIA

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Contact Name
Andy Sapta

Contact Email
saptaandy@gmail.com

Phone
+628126416133

Journal Mail Official
jcom@royal.ac.id

Editorial Address
Jl. H.M. Yamin No 173 Kisaran, kab. Asahan, Prov. Sumatera Utara

Location
Kab. asahan,

Sumatera utara

INDONESIA