v

ABSTRAK


PNPM Mandiri adalah program nasional penanggulangan kemiskinan
terutama yang berbasis pemberdayaan masyarakat. Banyaknya data program kerja
membutuhkan solusi pengolahan data secara cepat dengan hasil yang akurat.
Pada penelitian ini, penulis mencoba menerapkan teknik data mining
untuk mengelompokkan data program kerja tersebut dengan menggunakan
metode K-Means Clustering dan K-Nearest Neighbor. Hasil pengelompokan
program kerja PNPM Mandiri dengan metode K-Means Clustering selanjutnya
akan dievaluasi dengan menentukan nilai F-Measure. Sedangkan pengelompokan
program kerja PNPM Mandiri dengan metode K-Nearest Neighbor akan
dievaluasi berdasarkan nilai Apparent Error Rate (APER). Dari hasil penelitian,
metode K-Means Clustering dan K-Nearest Neighbor dapat digunakan untuk
mengelompokan program kerja berdasarkan pelaksanaannya menjadi tiga
kelompok yaitu mendesak, sedang, dan tidak mendesak. Adapun pada metode K-
Means Clustering, nilai F-Measure terbaik diperoleh pada pengujian satu (1),
sebesar 0,7878. Sedangkan pada metode K-Nearest Neighbor, proses
pengelompokan dengan peluang kesalahan klasifikasi terkecil terdapat pada K=7
dan K=9, yaitu 27,1 %.


Kata Kunci : Data Mining, K Means, K Nearest Neighbor, Clustering, PNPM
Mandiri, F-Measure, Apparent Error Rate









vi

ABSTRACT


PNPM Mandiri is a national program of poverty alleviation, mainly in
community empowerment based program. The massive number of data in work
program needs solutions to processing data quickly with accurate results.
In this research, the authors try to implement data mining techniques to
grouping the work programs data using the K-Means Clustering and K-Nearest
Neighbor. The results of the work program grouping PNPM Mandiri with K-
Means clustering method will be further evaluated to determine the value of F-
Measure. While grouping PNPM Mandiri program work with K-Nearest Neighbor
method will be evaluated based on the value of Apparent Error Rate (APER).
From the research, the method of K-Means Clustering and K-Nearest Neighbor
can be used to grouping a work program based on its implementation into three
groups: urgent, medium, and not urgent. As for the method of K-Means
Clustering, best F-Measure obtained in testing one (1), at 0.7878. While the K-
Nearest Neighbor method, the grouping with the smallest misclassification
opportunities contained in K = 7 and K = 9, which is 27.1%.


Keyword : Data Mining, K Means, K Nearest Neighbor, Clustering, PNPM
Mandiri, F-Measure, Apparent Error Rate