##plugins.themes.academic_pro.article.main##
Penerapan Metode Cluster Dalam Data Mining Mengelompokkan Kenakalan Remaja (Studi Kasus Polda Sultra)
Abstract
Masalah sosial perilaku menyimpang kenakalan remaja di wilayah Sulawesi Tenggara sudah banyak terdengar atau bahkan sering membuat masyarakat itu sendiri merasakan dampak yang terjadi akibat kenakalan remaja tersebut. Data Mining yaitu sebuah proses menyatukan dan mengolah data untuk mengekstrak informasi penting. K-Means clustering adalah algoritma unsupervised learning yang dipakai untuk mengelompokkan dataset yang belum dilabel ke dalam kluster yang berbeda. Simbol K pada K-Means clustering menandakan jumlah kluster yang digunakan. Hasil dari penelitian ini dengan wilayah yang terdominasi jumlah kenakalan remaja terbanyak yaitu kota Kendari yang menduduki puncak sebanyak 2588 kasus, Muna 2427 kasus, Baubau 893 kasus, Konawe 786 kasus, Konawe Selatan 776 kasus, Buton 558 kasus, Kolaka 494 kasus, Wakatobi 240 kasus, Kolaka Utara 212 kasus, Bombana 187 kasus, Butur 90 kasus, Konawe Utara 82 kasus, Buton Tengah 14 kasus, dan Kolaka Timur sebanyak 12 kasus kenakalan remaja.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
S. Kasus and P. Binjai, (vol.1, no.1 August, 2018), “DATA MINING PENGELOMPOKAN KASUS KENAKALAN REMAJA DI KOTA BINJAI DENGAN MENGGUNAKAN METODE CLUSTERING ( STUDI KASUS POLRES BINJAI ) Latar Belakang Masalah kenakalan remaja pada saat ini semakin meresahkan masyarakat , kenakalan yang dilakukan oleh para pem,”.
T. Rismawan and D. S. Kusumadewi,( vol. 21, no. 01, pp. 1907–5022, 2008. )“Aplikasi K-Means Untuk Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (Bmi) & Ukuran Kerangka,” Semin. Nas. Apl. Teknol. Inf.
T. Steinbach, (2004). “Data Mining Cluster Analysis : Basic Concepts and Algorithms - Lecture Notes,”
Muhammad Zulfadhilah, Mambang, and Septyan Eka Prastya, (vol. 9, no. 2, pp. 152–160, 2022 ). “Implementasi Metode K-Means Clustering untuk Meningkatkan Penjaringan Mahasiswa,” Tematik, doi: 10.38204/tematik.v9i2.1053.
T. Amalina, D. Bima, A. Pramana, and B. N. Sari, (vol. 8, no. 15, pp. 574–583, 2022). “Metode K-Means Clustering Dalam Pengelompokan Penjualan Produk Frozen Food,” J. Ilm. Wahana Pendidik., [Online]. Available: https://doi.org/10.5281/zenodo.7052276
T. A. Munandar, (vol. 9, no. 2, pp. 109–114, 2022 ).“Penerapan Algoritma Clustering Untuk Pengelompokan Tingkat Kemiskinan Provinsi Banten,” JSiI (Jurnal Sist. Informasi), doi: 10.30656/jsii.v9i2.5099.
Y. A. Wijaya et al., (vol. 6, no. 2, pp. 552–559, 2022. ). “K-Means Di Sekolah Menengah Kejuruan Wahidin Kota Cirebon,”
Tajunisha and Saravanan, (vol. 1, no. 4, pp. 44–52, 2010 ). “Performance analysis of k-means with different initialization methods for high dimensional data,” Int. J. Artif. Intell. Appl., doi: 10.5121/ijaia.2010.1404.
B. Harahap, (2019) “Penerapan Algoritma K-Means Untuk Menentukan Bahan Bangunan Laris (Studi Kasus Pada UD. Toko Bangunan YD Indarung),” Reg. Dev. Ind. Heal. Sci. Technol. Art Life, pp. 394–403 , [Online]. Available: https://ptki.ac.id/jurnal/index.php/readystar/article/view/82