Writer / NIM
DWI NOVIATI NANGO / 531408022
Study Program
S1 - SISTEM INFORMASI
Advisor 1 / NIDN
AGUS LAHINTA, ST., M.Kom. / 0017087402
Advisor 2 / NIDN
LILLYAN HADJARATIE, S.Kom., M.Si / 0017048001
Abstract
Intisari
Penelitian ini bertujuan untuk mengelompokkan data APBD tahun 2006-2011 yang memiliki kemiripan karakteristik berdasarkan kedekatan jarak, menggunakan teknik clustering dengan algoritma K-Means. Pembentukan cluster diuji dengan 3 nilai centroid dan 2 nilai centroid, yang dilanjutkan dengan menghitung nilai SSE (Sum of Squared Error). Hasil cluster dengan nilai SSE terkecil dijadikan sebagai parameter untuk mengestimasi data anggaran belanja yang akan datang. Berdasarkan penelitian yang dilakukan dapat diketahui bahwa pembentukan cluster dengan 3 nilai centroid adalah cluster yang terbaik, karena memiliki nilai SSE terkecil yaitu 6.235.940.663,88,. Untuk nilai pendapatan tahun 2012 sebesar Rp 394.083.451.404,-, diperoleh hasil estimasi nilai belanja tidak langsung sebesar Rp 199.533.334.595,76,- sampai Rp 203.564.311.052,24. Serta estimasi nilai belanja langsung sebesar Rp 176.135.846.021,76,- sampai Rp 180.166.822.478,24,-.
Kata Kunci : Clustering, K-Means, estimasi.
ABSTRACT
The objective of this research to group the data of Local Budget revenue and expenditure fiscal year 2006-2011 which has resemblance characteristics based on distance by using clustering technique with K-Means algorithm. Cluster formed tested by 3 value of centroid and 2 value of centroid which continued by calculation SSE (Sum of Squared Error) value. Cluster result with the smallest SSE value became a parameter to estimate the next budget expenditure. Based on the study, it can reveal that cluster formed by 3 centroid value is the best cluster because has SSE smallest 4 value that is 6.235.940.663, 88,. Revenue value on 2012 around Rp. 394.083.451.404,-, obtained estimation value indirect expenditure around Rp. 199.533.334.594,76 to Rp. 203.564.311.052,24. Direct estimation expenditure value around Rp. 176.135.846.021,76.- to Rp. 180.166.822.478,24,-.
Keywords: clustering, K-Means, estimate.
Download files
