PERBANDINGAN METODE K-NEAREST NEIGHBOR (K-NN) DAN LEARNING VECTOR QUANTIZATION (LVQ) UNTUK PERMASALAHAN KLASIFIKASI TINGKAT KEMISKINAN

SANTOSO, - (2016) PERBANDINGAN METODE K-NEAREST NEIGHBOR (K-NN) DAN LEARNING VECTOR QUANTIZATION (LVQ) UNTUK PERMASALAHAN KLASIFIKASI TINGKAT KEMISKINAN. Masters thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 1213201039-Abstract.pdf]
Preview
Text
1213201039-Abstract.pdf - Published Version

Download (567kB) | Preview
[thumbnail of 1213201039-Master Thesis.pdf]
Preview
Text
1213201039-Master Thesis.pdf - Published Version

Download (4MB) | Preview
[thumbnail of 1213201039-Conclusion.pdf]
Preview
Text
1213201039-Conclusion.pdf - Published Version

Download (435kB) | Preview

Abstract

Kemiskinan merupakan ketidakmampuan individu dalam memenuhi
kebutuhan dasar minimal untuk hidup layak. Masalah kemiskinan merupakan
salah satu persoalan mendasar yang menjadi pusat perhatian pemerintah daerah.
Upaya pemerintah untuk menanggulangi kemiskinan melalui beberapa program
pengentasan kemiskinan. Pemerintah sering kesulitan memilah tingkat-tingkat
kemiskinan dalam masyarakat, untuk itu diperlukan suatu penelitian yang dapat
membantu pemerintah mengidentifikasi tingkat kemiskinan agar bantuan
pemerintah tidak salah sasaran. Penelitian ini menampilkan dua metode klasifikasi
yaitu K-Nearest Neighbor dan Learning Vector Quantization. Tujuan dari
penelitian ini adalah membandingkan nilai keakurasian dari kedua metode untuk
hasil klasifikasi tingkat kemiskinan. Data yang digunakan sebagai atribut yaitu
data yang mencirikan kemiskinan diantaranya meliputi aspek perumahan,
kesehatan, pendidikan, ekonomi dan penghasilan. Dari hasil uji coba dengan
menggunakan kedua metode menunjukkan nilai akurasi menggunakan KNN
sebesar 93.52 %, sedangkan nilai akurasi menggunakan LVQ sebesar 75.93%.
Sehingga dapat disimpulkan bahwa klasifikasi tingkat kemiskinan menggunakan
metode KNN memberikan kinerja yang lebih baik dibanding metode LVQ.

Item Type: Thesis (Masters)
Additional Information: RTMa 511.8 San p
Uncontrolled Keywords: Kemiskinan, K-Nearest Neighbor, Learning Vector Quantization
Subjects: Q Science
Q Science > QA Mathematics
Q Science > QA Mathematics > QA75 Electronic computers. Computer science. EDP
Divisions: Faculty of Mathematics and Science > Mathematics > 44101-(S2) Master Thesis
Depositing User: Mr. Tondo Indra Nyata
Date Deposited: 28 Dec 2016 06:07
Last Modified: 27 Dec 2018 06:58
URI: http://repository.its.ac.id/id/eprint/1224

Actions (login required)

View Item View Item