Isi Artikel Utama

Abstrak

Kawasan kumuh adalah sebuah kawasan dengan tingkat kepadatan populasi tinggi di sebuah kota yang pada umumnya dihuni oleh masyarakat menengah ke bawah. Pemerintah melalui RPJMN tahun 2015-2019 membuat program pengentasan permukiman kumuh perkotaan menjadi tidak ada yaitu Kota Tanpa Kumuh (KOTAKU). Kota Bengkulu mempunyai 67 kawasan pemukiman yang tersebar menjadi 67 kelurahan. Penelitian ini bertujuan mengimplementasikan algoritme K-means dalam pengelompokkan dan pemetaan pemukiman kumuh di Kota Bengkulu. Tujuh indikator penentu digunakan untuk membagi kawasan pemukiman kumuh dibagi menjadi 4 tingkat kategori yakni: kumuh berat, sedang, ringan dan tidak kumuh yang sudah ditetapkan oleh Tim KOTAKU. Hasil clustering menunjukkan warna merah untuk kawasan kumuh berat, kuning untuk kawasan kumuh sedang, biru untuk kawasan kumuh ringan, dan hijau untuk kawasan tidak kumuh. Penelitian ini memiliki tingkat akurasi terbaik sebesar 58,21% berdasarkan 10 kali percobaan. Tingkat akurasi dipengaruhi nilai random awal dalam proses perhitungan antar cluster.


Rincian Artikel

Cara Mengutip
Alfiandi, D., Ernawati, E., & Purwandari, E. P. (2018). Implementasi K-Means Clustering dan Pemetaan Pemukiman Kumuh di Kota Bengkulu Berbasis Web. Rekursif: Jurnal Informatika, 6(2). https://doi.org/10.33369/rekursif.v6i2.4252

Referensi

  1. BKKBN, Model pemetaan Daerah Kumuh DKI Jakarta tahun 2011, DKI JAKARTA: Direktorat Analisis Dampak BKKBN, 2011.
  2. Karya, "Draft Petunjuk Pelaksanaan KOTAKU Tingkat Kota,", 2016.
  3. P. Pemerintah, Peraturan Pemerintah Nomor 10 Tahun 2000 tentang Tingkat Ketelitian Peta Untuk Penataan Ruang Wilayah., Jakarta: Sekretariat Negara, 2000.
  4. Y. Agusta, "K-means - Penerapan, Permasalahan dan Metode Terkait.," Jurnal Sistem dan Informatika Vol. 3, pp. 47-60, 2007.
  5. T. Rismawan and S. Kusumadewi, "Aplikasi K-Means Untuk Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) Dan Ukuran Kerangka," Seminar Nasional Aplikasi Teknologi Informasi. Yogyakarta, pp. pp. E-43, 2008.
  6. R. Shugara, Implementasi Algoritma Fuzzy C-Means Clustering dan Simple Additive Weighting dalam Pemberian Bantuan Program Peningkatan Kualitas Kawasan Pemukiman (Studi Kasus: Kelurahan / RT se-Kota Bengkulu), Bengkulu: Universitas Bengkulu, 2016.
  7. J. Han and M. Kamber, Data Mining: Concepts and Techniques Secong Edition, San Fransisco: Morgan Kauffman., 2001.