aplikasi kmeans pengelompokan rmh tangga tseptioko ha parhusip tmahatma

prosiding, Seminar Nasional dan Call for Papers Capturing Opportunies for ASEAN Economic Communities 2015, FEB, UKSW.

1

APLIKASI K-MEANS UNTUK PENGELOMPOKAN RUMAH

TANGGA DI SALATIGA BERDASARKAN DATA SUSENAS 20111

Tinus Septioko1, Hanna Arini Parhusip

2, Tundjung Mahatma

3

1Mahasiswa Program Studi Matematika FSM UKSW 2,3

Dosen Program Studi Matematika FSM UKSW

e-mail : [email protected],[email protected]

2,

[email protected]

Abstrak Survei sosial ekonomi nasional atau yang disebut Susenas adalah survei yang dilaksanakan

badan pusat statistik 4 kali dalam setahun. Susenas merupakan salah satu sumber data yang

diperlukan khususnya untuk perencanaan di bidang sosial ekonomi masyarakat. Susenas

mengumpulkan data yang menyangkut bidang pendidikan, kesehatan, perumahan, dan sosial

ekonomi lainnya. Keadaan ekonomi masyarakat dapat diketahui melalui hasil Susenas, jika tingkat

ekonomi masyarakat rendah tentunya pemerintah tidak boleh tinggal diam. Dari data Susenas

dapat diketahui rumah tangga ekonomi bawah, menengah, maupun ekonomi atas. Hasil ini dapat

digunakan untuk patokan pemberian bantuan kepada rumah tangga ekonomi bawah.

Pengelompokan ekonomi masyarakat dapat dilakukan dengan metode clustering, dimana

rumah tangga yang memiliki karakteristik yang mirip akan dikelompokkan ke dalam kelompok

yang sama. Untuk mendapatkan hasil cluster yang lebih cepat dan efisien maka pada penelitian

ini, dikembangkan aplikasi untuk mengelompokkan rumah tangga dari data Susenas di Salatiga

tahun 2011 triwulan 1 dan 2 berdasarkan tingkat ekonomi, yaitu rumah tangga ekonomi atas,

rumah tangga ekonomi menengah, dan rumah tangga ekonomi bawah. Pengelompokan data

dilakukan menggunakan metode k-means, yaitu dengan mengelompokkan n-buah objek dengan p-

dimensi ke dalam k-cluster berdasarkan jarak minimal masing-masing data ke pusat cluster.

Aplikasi yang dibangun diharapkan dapat membantu untuk tujuan pengelompokan data bagi

pihak-pihak yang membutuhkan.

Dari hasil penelitian terhadap 254 data sampel, diperoleh 3 kelompok rumah tangga

berdasarkan tingkat ekonomi, yaitu 25 rumah tangga ekonomi atas, 99 rumah tangga ekonomi

menengah, dan 130 rumah tangga ekonomi bawah. Rata-rata pendapatan rumah tangga yang

masuk dalam kategori rumah tangga ekonomi bawah berkisar antara 2 juta rupiah sampai 2.25

juta rupiah per bulan, sedangkan untuk pendapatan 2 kategori yang lain tentunya berada diatas

2.25 juta rupiah per bulan.

Kata kunci : Susenas, cluster, K-means, ekonomi.

Abstract National socioeconomic survey called Susenas is a survey conducted statistical central body

four times a year. Susenas is one source of the data needed for planning particularly in the area of

socio-economic population. Susenas collect data on education, health, housing, social and

economic. The state of the economy can be seen through the Susenas, if the economic needs of low

government certainly should not stay silent. From the Susenas data it can be seen bottom economy

households, middle, and upper economy. These results can be used to benchmark the provision of

assistance to households who economy below.

Community economic grouping to do with the method of clustering, where by households

with similar characteristics will be grouped into the same group. To get the cluster more quickly

1 Penulis bersedia untuk berbagi data riset, data terlampir.


2

and efficiently so in this study, the application was developed to classify the data Susenas

households in Salatiga in 2011 quarter one and two based on an economic level, ie the upper

economy household, middle class household, and the bottom economy household. Grouping of

data is done using k-means clustering method, by classifying n-pieces with a p-dimensional objects

into k-clusters based on a minimum distance of each data to a cluster center. Applications built is

expected to help for the purpose of grouping the data for private need.

From the results of a study of 254 samples of the data, obtained by the three groups of

households based on an economic level, ie 25 upper economy households, 99 middle class

households, and 130 down economy household. The average household income in the lower

economic category of households ranged up 2 million to 2.25 million per month, while for the

other two categories of income must be above 2.25 million per month.

Key Words : Susenas, Cluster, K-means, Economy.

1. Pendahuluan Pemberian bantuan untuk

masyarakat miskin sudah banyak

dilakukan, seperti raskin, BLT, dan

bantuan yang lainnya. Melalui survei

yang dilakukan BPS, yaitu Susenas dapat

diketahui perekonomian masyarakat.

Mencegah terjadinya salah sasaran

pemberian bantuan, maka dari data

perekonomian masyarakat, harus

dikelompokkan terlebih dahulu ke dalam

kelompok-kelompok ekonomi. Untuk

melakukan pengolahan data dapat

dilakukan dengan metode cluster.

Metode cluster adalah metode yang

digunakan untuk mengelompokkan data

ke dalam satu atau lebih kelompok yang

mempunyai karakteristik yang mirip.

Penghitungan manual akan sulit

dilakukan mengingat data yang diolah

tidaklah sedikit. Penghitungan manual

yang lama dan rumit dapat diatasi dengan

adanya program komputer. Peran

komputer sebagai alat bantu

pengelompokan data sangat menunjang

dalam kecepatan dan ketepatan hasil.

Dalam berbagai bidang, pengelompokan

data banyak digunakan dengan berbagai

tujuan. Dalam bidang ekonomi,

clustering atau pengelompokan data

digunakan untuk membuat segmen pasar,

memahami perilaku pembeli, mengenali

peluang produk baru (Supranto 2004),

digunakan untuk mengelompokkan

saham-saham perusahaan (Mahadwartha

2002), dalam bidang pendidikan

digunakan untuk memprediksi kualitas

akademik siswa (Oyelade et al. 2010),

Program komputer untuk

pengelompokan data banyak dijumpai,

namun program-program tersebut relatif

memiliki memori yang besar dan susah

dalam penggunaannya.

Dalam penelitian ini masalah yang

timbul adalah bagaimana membangun

aplikasi k-means yang dapat digunakan

untuk mengelompokkan rumah tangga

berdasarkan data Susenas Salatiga tahun

2011 triwulan 1 dan 2 berdasarkan

tingkat ekonomi. Hasil yang didapatkan

dapat digunakan untuk patokan dalam

pengambilan keputusan, misal sebagai

patokan untuk pemberian bantuan kepada

masyarakat seperti raskin, BLT, ataupun

bantuan yang lainnya. Tujuan dari

penelitian ini adalah membangun aplikasi

dengan metode k-means untuk

mengelompokkan rumah tangga di

Salatiga berdasarkan data Susenas ke

dalam kriteria rumah tangga ekonomi

atas, rumah tangga ekonomi menengah,

dan rumah tangga ekonomi bawah. Pada

penelitian ini data yang digunakan

terbatas pada data Susenas dan pebuatan

program dilakukan dengan program

matlab R2009a.

Program ini berdasarkan pada

metode k-means clustering. K-means

merupakan salah satu metode clustering

non hirarki yang berusaha mempartisi


3

data ke dalam satu atau lebih cluster /

kelompok berdasarkan jarak minimal

data ke centroid. Pangalokasian data ke

dalam suatu cluster dilakukan secara

tegas, sehingga setiap data akan menjadi

anggota cluster dan hanya satu cluster.

Metode ini mempartisi data, dimana data

yang memiliki karakteristik yang mirip

dikelompokkan ke dalam cluster yang

sama (Agusta 2007; Santoso 2007).

2. Analisis Cluster Analisis cluster merupakan metode

pengolahan data yang bertujuan untuk

mengelompokkan data kedalam

kelompok-kelompok dimana data-data

yang berada dalam kelompok yang sama

akan mempunyai sifat yang mirip

(Agusta 2007; Santoso 2007).

2.1. K-means K-means merupakan metode cluster

berbasis jarak yang membagi data ke

dalam k-cluster, dan algoritma ini hanya

bekerja pada data numerik. Metode ini

berusaha meminimalkan fungsi objektif

pada persamaan 1.

, = 2

=1=1 (1)

dimana :

, : fungsi objektif : tingkat keanggotaan objek ke

i dalam cluster ke c yang bernilai 1 atau 0 .

: banyak objek : banyak cluster

2 : kuadrat dari jarak pusat cluster

ke -c terhadap objek ke i.

Pada awalnya algoritma ini mengambil

sebanyak k-centroid secara random dari

data, namun dalam penelitian ini

penentuan centroid pertama kali diambil

dari mean data sebanyak k-centroid.

Hitung jarak setiap data terhadap masing-

masing centroid, dalam hal ini

penghitungan jarak digunakan rumus

euclidean. Alokasikan data ke cluster

yang memiliki jarak minimum ke

centroid. Lakukan langkah tersebut

hingga cluster stabil / tidak berubah.

2.2. Euclidean Distance Untuk menghitung jarak antara data

dengan centroid digunakan euclidean

disatnce. Jarak dihitung menggunakan

persamaan 2 (Santoso 2007; Supranto

2004) :

2, 1 = 2 1 2 =

2 1 2

=1 (2)

dimana

: dimensi data

2.3. Menilai Kualitas Cluster Metode yang digunakan untuk

menilai kualitas cluster dianggap ideal

adalah batasan variance, yaitu dengan

menghitung kepadatan cluster berupa

variance within cluster () dan variance between cluster (). Cluster yang ideal memiliki minimum yang mempresentasikan internal homogenity

dan maksimum yang mempresentasikan external homogenity

(Saepulloh 2010).

=

100% (3)

Menghitung nilai variance tiap cluster

dapat dilakukan menggunakan persamaan

4 :

2 =

1

1

2=1 (4)

dimana

2 : variance pada cluster ke-

, = 1. . . , : banyaknya cluster : banyaknya data pada cluster ke- : data kepada cluster ke- : rata-rata dari data pada cluster ke- Selanjutnya untuk menghitung variance

within cluster (Vw) dapat dihitung

dengan persamaan 5 :

=1

1

2=1 (5)

dimana


4

: variance dalam cluster : banyaknya data Variance between cluster (Vb) dihitung

menggunakan persamaan 6 :

=1

1

2=1 (6)

dimana

: rata-rata .

3. Metode Penelitian 3.1. Data

Data yang digunakan adalah data

Susenas di Salatiga tahun 2011 triwulan 1

dan 2, dengan 254 pengamatan dan 4

variabel yang meliputi variabel banyak

anggota rumah tangga (orang),

pengeluaran makanan (Rp), pendapatan

rumah tangga (Rp), dan pengeluaran non

makanan (Rp).

3.2. Rancangan Program Rancangan program untuk metode

k-means clustering menggunakan

diagram alir seperti pada gambar 1.

3.3. Uji Program Dengan data dan metode yang sama

pengujian program dilakukan dengan

cara membandingkan hasil output

program dengan hasil output program

SPSS. Pengujian ini bertujuan untuk

mengetahui apakah hasil yang didapat

dengan program k-means sudah setara

dengan program-program yang lain.

4. Hasil dan Pembahasan 4.1. Implementasi Program

Uji coba dilakukan dengan

menggunakan data Susenas di Salatiga

tahun 2011 triwulan 1 dan 2 dengan 254

pengamatan dan 4 variabel yang meliputi

variabel banyak ART (A), konsumsi

makanan (B), pendapatan (C), dan

konsumsi non-makanan (D). Dari ke-4

variabel ini memiliki satuan yang

berbeda sehingga tahap pertama yang

dilakukan adalah standarisasi data. Data

yang sudah distandarisasi kemudian

digunakan untuk proses pengelompokan.

Setelah didapatkan hasil cluster, sebagai

pengecekan, dengan metode yang sama

hasil ini dibandingkan dengan hasil

penghitungan dengan program SPSS.

Pengelompokan data dengan program k-

means adalah sebagai berikut :

a. Menjalankan program k-means dengan Matlab, maka akan terlihat

tampilan awal program, yang terlihat

pada gambar 2.

>> cover_program % merupakan

perintah untuk memanggil

program k-means

b. Tampilan program utama terlihat pada gambar 3, digunakan untuk

menginputkan parameter-parameter

program dan prosedur program yang

meliputi :

1. Banyak cluster yang dibentuk 3.

2. Buka data yang akan diproses,

dalam hal ini data Susenas

Salatiga tahun 2011.

3. Lakukan proses standarisasi data.

4. Proses pengelompokan k-means.

5. Hasil pengelompokan data ke

dalam 3 kelompok dengan 254

pengamatan dapat dilihat dalam

tabel hasil cluster.

Pada tabel 1 disajikan sebagian data

asli yang akan dikelompokkan. Data ini

kemudian distandarisasi utuk membuat

data tidak bersatuan. Tabel 2 adalah hasil

standarisasi data sebelum diolah dengan

program k-means. Selanjutnya digunakan

algoritma k-means untuk

mengelompokkan data yang sudah

distandarisasi. Data akan dikelompokkan

menjadi 3 kelompok. Langkah

pengelompokan data dengan k-means

adalah sebagai berikut :

1. Menentukan pusat cluster pertama

atau centroid awal.


5

Centroid pertama didekati dengan

mean dari data sebanyak k-cluster.

Karena akan dibentuk 3 cluster maka

centroid yang dibentuk juga sebanyak

3. Berikut merupakan centroid yang

dibentuk :

1 = (0.137 , 0.151, 0.138, 0.131) 2 = (0.204, 0.094, 0.015, 0.019) 3= (0.341, 0.244, 0.153, 0.112)

2. Hitung jarak setiap data terhadap

setiap pusat cluster.

Dengan persamaan 2 dihitung jarak

setiap data ke setiap centroid. Hasil

penghitungan jarak ditampilkan

dalam tabel 3.

3. Data akan menjadi anggota dari

cluster yang memiliki nilai jarak

terkecil dari pusat clusternya, hal ini

ditampilkan dalam tabel 4.

Hitung setiap centroid yang baru

dari mean data yang menjadi anggota

cluster, hitung jarak setiap data ke

centroid yang baru. Alokasikan setiap

data ke cluster yang memiliki jarak

minimal. Ulangi langkah 1 sampai 3

hingga cluster stabil / tidak ada

perubahan. Hasil akhir dari program k-

means ditampilkan dalam tabel 5 dan

centroid akhir ditampilkan dalam tabel 6,

dengan nilai fungsi objektif 3048.59 dan

nilai sebesar 0.011655 persen, hal ini menunjukkan tingkat homogenitas hasil

cluster. Hasil yang diperoleh dengan

program k-means adalah sebagai berikut :

a. Rumah tangga ekonomi atas sebanyak 25 rumah tangga, terdapat

dalam cluster 1. Terlihat dari nilai

variabel C / pendapatan 2.420

merupakan nilai paling besar dintara

cluster yang lain.

b. Rumah tangga ekonomi menengah sebanyak 99 rumah tangga, terdapat

dalam cluster 2, dengan nilai variabel

pendapatan 0.030.

c. Rumah tangga ekonomi bawah sebanyak 130 rumah tangga, terdapat

dalam cluster 3 dengan nilai variabel

pendapatan terkecil yaitu -0.488.

4.2. Output SPSS Dengan data dan metode yang

sama, dengan alat bantu SPSS dilakukan

proses clustering. Centroid pertama, hasil

cluster, dan centroid akhir secara

berturut-turut ditampilkan dalam tabel 7,

8, dan 9. Dalam tabel 10 menunjukkan

banyak data yang menjadi anggota

cluster yang terbentuk. Hasil cluster

akhir yang diperoleh dengan program

SPSS adalah :

a. Rumah tangga ekonomi atas sebanyak 21 rumah tangga, terdapat

dalam cluster 3, yang berdasar pada

nilai Zscore(v3) 2.70304 yang

merupakan nilai tertinggi dibanding

dengan nilai pada cluster yang lain.

b. Rumah tangga ekonomi menengah sebanyak 127 rumah tangga, terdapat

dalam cluster 1, dengan nilai

Zscore(v3) sebesar 0.00837.

c. Rumah tangga ekonomi bawah sebanyak 106 rumah tangga, terdapat

dalam cluster 2, dengan nilai

Zscore(v3) sebesar -0.54553.

4.3. Perbandingan Hasil Hasil program k-means dan SPSS

ditampilkan dalam diagram batang yang

tersaji dalam gambar 4. Rumah tangga

dengan tingkat ekonomi atas ditunjukkan

dalam cluster 1. Dari hasil program k-

means, sebanyak 25 rumah tangga

menjadi anggota cluster 1, dan hasil

SPSS sebanyak 21 rumah tangga

menjadi anggota cluster 1. Rumah

tangga yang menjadi anggota cluster 1

ditampilkan dalam tabel 11. Dari tabel

11 terlihat bahwa rumah tangga 165,

190, 210, 230 yang menjadi anggota

cluster 1 dari hasil program k-means

tidak menjadi anggota cluster 1 dari


6

hasil SPSS. 4 data ini menjadi anggota

cluster lain dalam hasil program k-

means. Dengan cara yang sama cluster 2

dan 3 dapat diketahui.

5. Kesimpulan Berdasarkan hasil penelitian,

diperoleh kesimpulan sebagai berikut :

1) Program yang telah dibangun dapat digunakan untuk mengelompokkan

rumah tangga berdasarkan tingkat

perekonomian (ekonomi atas,

menengah, dan bawah). Program

hanya dapat digunakan untuk data

numerik.

2) Dari program k-means didapat 25 rumah tangga ekonomi atas, 99

rumah tangga ekonomi menengah,

dan 130 rumah tangga ekonomi

bawah.

3) Dari SPSS didapat 21 rumah tangga ekonomi atas, 127 rumah tangga

ekonomi menengah, dan 106 rumah

tangga ekonomi bawah.

4) Perbedaan hasil program k-means dan SPSS terjadi karena perbedaan

inisialisasi centroid pertama. Metode

k-means sangat sensitif terhadap

inisialisasi centroid awal, sehingga

hasil cluster yang dihasilkan berbeda.

5) Berdasarkan data, sebagian besar penduduk Salatiga berekonomi

menengah ke bawah.

6. Daftar Pustaka

Agusta, Yudi. 2007. K-means-Penerapan,

Permasalahan dan Metode Terkait.

Jurnal Sistem dan Informatika

Vol.3 : 47 - 60.

Bandan Pusat Statistik. 2010. Survei Sosial

Ekonomi Nasional [SUSENAS Juli

2010] (Pedoman Pencacahan

KOR). Jakarta : Badan Pusat

Statistik.

Mahadwartha, P.A. 2002. Analisis Cluster

Saham-Saham Berdasarkan

Nisbah Profitabilitas Di Masa

Kritis. Jurnal Ekonomi dan Bisnis

Dian Ekonomi VIII/2.

O.J.Oyelade, O.O.Oladipupo, dan

I.C.Obagbuwa. 2010. Aplication

of K-means Clustering Algorithm

for Prediction of Students Academic Performance.

International Journal of Computer

Science and Information Security,

Vol. 7, No. 1.

Saepulloh, D. 2010. Analisis Data Mining

K-means cluster analysis Untuk

Menentukan Data Berjenis Biner

(Studi Kasus Pengelompokan

Rumah Tangga Sasaran (RTS)

Bantuan Langsung Tunai

(BLT))(Tesis). Bandung : Fakultas

Matematika dan Ilmu Pengetahuan

Alam Universitas Padjadjaran.

Santoso, B. 2007. DATA MINING : Teknik

Pemanfaatan Data untuk

Keperluan Bisnis, Edisi Pertama.

Yogyakarta : Graha Ilmu.

Supranto, J. 2004. Analisis Multivariat Arti

dan Interpretasi. Jakarta : Rineka

Cipta.


7

LAMPIRAN GAMBAR

1. Gambar 1. Diagram alir program k-means.

2. Gambar 2. Tampilan awal program k-means.

3. Gambar 3. Tampilan program k-means.

4. Gambar 4. Hasil cluster program k-means dan SPSS.

LAMPIRAN TABEL

1. Tabel 1. Data asli.

2. Tabel 2. Data standarisasi.

3. Tabel 3. Jarak data ke centroid.

4. Tabel 4. Hasil cluster.

5. Tabel 5. Final cluster.

6. Tabel 6. Final centroid.

7. Tabel 7. Centroid pertama.

8. Tabel 8. Cluster awal.

9. Tabel 9. Final cluster centroid.

10. Tabel 10. Anggota cluster. 11. Tabel 11. Anggota cluster 1.

Tentukan

banyak cluster k

Tentukan

Centroid

Hitung jarak

objek dengan

Centroid

Alokasikan

objek (minimum

jarak)

konvergen

Buka file data

Standarisasi data

Start

End

Ya

Tidak

Gambar 1. Diagram alir program k-means.

Gambar 2. Tampilan awal program k-means.


8

Gambar 3. Tampilan program k-means.

Gambar 4. Hasil cluster k-means dan SPSS.

Tabel 1. Data asli.

No. A B C D

1 5 1759864 2705000 824383

2 5 1783285 3364333 1418616

3 3 1346142 6040000 4297650

4 4 1118571 3353000 1936733

5 3 774857 1426333 773483

250 3 572785 4266667 3440916

251 1 867857 4674000 3587168

252 2 525642 3566667 2613668

253 1 460714 1571933 1342584

254 1 1075714 1766667 689000

Tabel 2. Data standarisasi.

No A B C D

1 0.717 0.499 -0.356 -0.548

2 0.717 0.527 -0.197 -0.373

3 -0.321 0.0189 0.448 0.473

4 0.198 -0.246 -0.200 -0.221

5 -0.321 -0.645 -0.664 -0.563

250 0.198 -0.704 -0.502 -0.424

251 -0.321 -0.880 0.020 0.221

252 -1.358 -0.537 0.119 0.264

253 -0.840 -0.935 -0.148 -0.022

254 -1.3583 -1.011 -0.629 -0.396

Tabel 3. Jarak data ke centroid.

No 1 2 3

1 1.078 0.920 1.380

2 0.919 0.788 1.336

3 0.663 0.842 0.879

4 0.631 0.450 0.552

5 1.403 1.257 0.791

250 1.138 1.132 0.739

251 1.652 1.712 1.155

252 1.496 1.475 0.856

253 2.110 2.054 1.389

254 1.863 1.809 1.203

Tabel 4. Hasil cluster.

No 1 2 3

1 *

2 *

3 *

4 *

5 *

250 *

251 *

252 *

253 *

254 *

Tabel 5. Final cluster.

25

99130

21

127106

0

50

100

150

1 2 3

Ban

yak

rum

ah t

angg

a

Cluster

Hasil Cluster

Program k-means

SPSS


9

No 1 2 3

1 *

2 *

3 *

4 *

5 *

250 *

251 *

252 *

253 *

254 *

Tabel 6. Final centroid.

Center A B C D

1 0.883 2.012 2.420 2.282 25

2 0.680 0.294 0.030 -0.060 99

3 -0.688 -0.611 -0.488 -0.393 130

Tabel 7. Centroid pertama.

Cluster

1 2 3

Zscore(v1) 3.31097 -1.35830 1.23574

Zscore(v2) -0.87100 1.90744 0.17092

Zscore(v3) 0.90330 -0.65212 5.50626

Zscore(v4) 0.71345 -0.53290 5.75191

Tabel 8. Cluster awal.

No 1 2 3

1 *

2 *

3 *

4 *

5 *

250 *

251 *

252 *

253 *

254 *

Tabel 9. Final cluster centroid.

Cluster

1 2 3

Zscore(v1) 0.48408 -0.70244 0.61811

Zscore(v2) -0.76434 0.99986 -0.42446

Zscore(v3) 0.00837 -0.54553 2.70304

Zscore(v4) -0.08154 -0.43978 2.71299

Tabel 10. Anggota cluster.

Cluster 1 127

2 106

3 21

Valid 254

Missing 0

Tabel 11. Anggota cluster 1.

Cluster 1

program k-means

SPSS program k-means

SPSS

16 16 126 126

25 25 160 160

27 27 161 161

34 34 165

36 36 190

47 47 192 192

52 52 210

62 62 218 218

75 64 219 219

95 95 230

107 107 237 237

109 109 246 246

121 121


10

LAMPIRAN DATA SUSENAS SALATIGA 2011

No. A

(orang)

B (Rp)

C (Rp)

D (Rp)

1 2 3 4 5

1 5 1,759,864 2,705,000 824,383

2 5 1,783,285 3,364,333 1,418,616

3 3 1,346,142 6,040,000 4,297,650

4 4 1,118,571 3,353,000 1,936,733

5 3 774,857 1,426,333 773,483

6 4 1,740,750 7,664,400 5,270,866

7 7 2,602,714 6,285,667 3,323,500

8 3 1,959,214 5,950,000 3,734,667

9 3 2,281,071 5,750,000 3,154,333

10 2 745,285 1,323,333 472,666

11 2 705,000 1,650,333 937,133

12 2 708,642 1,051,400 359,666

13 4 1,278,857 7,826,617 6,677,783

14 2 741,000 1,466,667 719,666

15 6 1,963,928 3,500,000 1,048,666

16 4 1,456,500 24,633,333 22,132,283

17 5 1,550,228 3,450,000 1,820,000

18 1 602,142 6,366,667 5,580,666

19 7 1,954,285 4,661,667 2,147,499

20 4 1,670,142 4,976,667 3,411,166

21 6 2,052,000 7,068,000 4,795,400

22 7 1,573,071 5,098,667 3,340,066

23 5 934,714 1,225,000 485,166

24 3 1,131,857 3,316,667 2,182,400

25 4 4,218,000 12,559,333 7,585,433

26 3 1,279,071 2,439,167 1,024,266

27 6 2,525,142 13,850,417 11,987,899

28 3 814,285 1,780,000 841,667

29 5 1,621,928 4,156,333 2,352,566

30 1 938,571 3,057,667 1,987,100

31 5 1,042,928 2,950,833 1,934,774

32 5 1,038,964 1,613,667 578,950

33 5 1,937,142 3,356,667 1,292,166

34 4 3,159,000 24,841,667 20,379,299

35 4 1,431,535 5,533,333 3,889,917

36 7 4,617,642 11,833,333 5,955,650

37 5 1,869,857 2,622,333 671,567

38 3 1,274,142 2,520,000 1,439,666

39 4 956,442 2,399,667 1,280,833

40 3 1,031,485 2,164,243 967,866

41 2 1,056,428 2,310,000 1,068,733

42 3 597,857 1,910,000 1,286,286

43 6 1,101,707 1,786,100 739,233

44 4 899,142 2,103,333 1,136,499

45 4 996,000 2,560,714 1,836,501

46 2 640,071 1,600,000 928,666

47 4 2,450,142 16,557,167 13,695,583

48 1 921,000 2,916,067 1,975,933

49 5 957,857 2,040,000 989,667

50 5 1,414,285 2,941,667 1,338,666

51 5 1,943,571 3,008,333 963,171

52 6 2,689,285 11,791,667 8,712,666

53 1 944,357 1,883,333 856,118

54 8 2,232,857 5,183,250 2,770,616

55 3 1,490,142 5,577,333 3,595,400

56 3 972,857 2,161,333 965,350

57 4 1,145,464 2,287,000 1,050,433

58 1 495,428 3,048,000 2,487,616

59 2 512,250 1,060,667 393,616

60 5 1,452,857 2,395,000 849,833

61 4 922,607 2,199,833 1,255,147

62 6 3,604,714 12,284,567 8,215,699

63 3 1,000,071 4,386,733 3,304,833

64 1 1,323,214 10,166,666 8,676,749

65 3 886,500 1,233,333 362,167

66 5 2,157,428 3,329,333 1,283,083

67 3 1,033,285 2,388,333 1,329,670

68 4 1,035,428 3,636,667 2,571,666

69 2 1,433,571 8,333,333 6,659,766

70 5 1,317,107 5,161,067 3,728,933

71 4 1,226,057 9,276,760 7,665,793

72 4 562,285 5,866,667 4,945,083

73 1 735,000 2,982,000 1,992,383

74 4 1,341,908 5,406,666 4,069,698

75 9 3,446,571 8,833,333 3,430,666

76 2 873,385 1,246,600 342,766

77 1 156,642 331,667 167,916


11

78 3 1,737,857 3,450,000 1,629,166

79 5 1,319,357 2,023,333 737,916

80 7 2,058,107 5,387,333 3,223,666

81 3 1,402,264 5,411,667 3,970,083

82 2 848,614 1,509,800 660,193

83 4 1,267,714 1,976,667 740,416

84 2 645,107 2,169,333 1,284,266

85 5 2,625,428 4,226,667 1,474,167

86 3 1,263,535 3,283,333 1,716,666

87 4 1,161,642 1,939,000 659,933

88 4 3,301,714 6,684,667 2,494,483

89 6 1,786,285 3,399,000 1,419,033

90 7 1,514,785 3,253,333 1,198,167

91 4 1,080,642 1,823,333 661,833

92 5 1,614,428 2,982,500 1,107,499

93 3 1,134,214 2,859,350 1,542,083

94 4 1,426,178 2,674,500 1,098,100

95 6 4,536,428 27,020,000 22,262,833

96 3 556,071 1,183,333 601,049

97 4 3,017,142 5,800,000 2,581,233

98 4 789,642 2,420,667 1,485,833

99 6 1,275,000 4,056,667 2,570,867

100 3 1,165,285 2,105,500 894,400

101 5 1,422,000 5,803,517 4,317,050

102 7 2,380,714 4,266,667 1,765,254

103 8 2,290,285 3,800,000 1,426,490

104 2 560,057 983,333 388,200

105 5 1,131,000 1,745,000 690,667

106 3 1,771,500 4,171,667 2,396,018

107 10 5,164,178 19,250,000 13,279,300

108 2 749,571 1,095,567 337,133

109 5 2,071,285 15,095,667 12,595,050

110 2 801,000 4,694,667 3,572,033

111 6 1,287,428 5,436,667 3,769,633

112 1 828,000 5,307,667 4,126,233

113 5 2,015,571 4,200,000 1,836,083

114 7 1,561,714 2,404,167 710,600

115 7 2,049,642 4,090,000 1,636,482

116 3 841,928 1,206,333 431,749

117 1 915,000 3,916,667 2,820,466

118 3 1,330,928 2,276,667 761,417

119 5 1,876,285 3,726,667 1,764,000

120 6 1,462,285 6,225,000 3,429,117

121 4 3,232,285 15,405,000 11,411,866

122 3 1,148,035 1,801,667 545,400

123 4 791,785 2,200,967 1,324,246

124 4 946,285 2,680,867 1,675,399

125 3 1,133,142 3,866,667 2,634,233

126 8 1,901,464 9,955,000 7,915,266

127 6 1,353,214 2,020,167 683,999

128 1 242,678 354,667 114,000

129 5 2,075,357 4,540,000 2,133,999

130 4 1,305,857 2,113,333 1,216,500

131 1 320,571 2,573,333 2,109,833

132 3 1,327,071 2,191,667 1,022,866

133 4 1,403,785 3,600,000 2,248,833

134 1 989,142 1,530,000 875,917

135 3 1,041,428 1,998,333 608,000

136 2 834,857 1,626,667 443,000

137 6 1,288,500 2,523,333 1,021,667

138 7 1,358,571 2,100,000 1,001,400

139 1 442,285 985,000 444,600

140 6 1,613,357 3,486,667 1,565,633

141 4 1,426,607 3,950,000 2,487,916

142 3 1,900,285 4,503,083 2,477,666

143 4 1,057,928 2,034,333 952,866

144 4 2,412,535 5,467,500 2,797,583

145 3 1,073,571 8,166,667 6,920,749

146 3 694,714 1,821,667 991,967

147 3 1,602,535 3,384,633 1,629,333

148 3 904,285 2,230,000 1,131,200

149 1 632,142 1,500,000 943,400

150 4 1,554,771 6,960,667 5,014,658

151 1 544,285 1,948,333 1,366,117

152 1 438,107 2,090,000 1,421,166

153 1 621,428 2,250,000 1,630,833

154 1 688,285 1,686,667 945,966

155 1 450,000 854,000 403,666

156 1 968,571 1,797,833 799,167

157 1 209,464 608,333 268,000

158 4 822,642 2,233,333 1,304,083

159 8 2,316,428 4,043,333 1,598,583

160 4 1,537,285 11,399,000 8,212,216

161 4 1,711,500 16,659,000 13,620,233


12

162 3 671,357 975,000 226,166

163 6 1,097,357 1,390,833 370,583

164 2 864,107 2,991,500 1,951,266

165 11 4,678,821 7,481,800 2,483,166

166 2 1,709,357 3,181,333 1,424,266

167 10 1,231,071 7,968,000 5,117,167

168 7 1,721,892 4,676,667 2,922,333

169 4 1,141,285 7,266,667 6,098,500

170 2 322,500 651,667 271,000

171 3 902,464 4,933,333 2,985,667

172 2 408,428 1,166,667 716,917

173 5 453,000 714,000 359,250

174 3 1,371,428 5,083,333 3,591,333

175 1 233,571 345,000 49,666

176 2 851,357 2,253,333 1,368,900

177 3 508,714 740,000 203,483

178 2 600,428 1,500,000 674,666

179 3 920,571 1,783,333 787,336

180 4 1,273,500 4,650,000 3,375,033

181 5 1,406,785 3,050,000 1,432,833

182 4 1,730,357 4,766,667 2,615,916

183 4 495,428 1,146,667 578,366

184 1 720,000 1,150,000 366,666

185 3 786,428 1,900,000 1,115,000

186 4 785,785 1,833,334 990,733

187 4 1,418,142 6,353,333 3,460,417

188 3 1,373,357 7,613,333 5,900,466

189 5 1,089,257 2,491,667 1,294,833

190 3 2,351,785 9,453,333 6,725,266

191 2 502,928 1,450,000 971,970

192 3 1,941,214 9,523,333 8,529,858

193 5 2,192,678 7,716,000 3,702,233

194 4 2,118,857 6,500,000 2,985,167

195 1 585,535 3,440,333 2,252,959

196 3 1,368,642 2,277,533 781,267

197 4 661,200 1,750,467 1,028,633

198 2 681,857 1,103,333 290,933

199 2 1,432,500 2,698,100 1,199,433

200 3 493,714 1,330,333 824,666

201 1 513,857 948,800 409,033

202 1 699,642 1,797,333 1,056,900

203 1 456,428 1,288,000 771,833

204 1 422,142 921,333 490,667

205 1 537,000 962,133 370,400

206 2 738,857 3,840,000 2,946,566

207 5 703,928 1,458,333 933,366

208 3 812,142 2,525,000 1,671,333

209 4 985,607 2,190,000 1,020,166

210 3 3,830,571 9,066,667 5,023,166

211 2 1,163,571 3,016,667 1,843,752

212 3 1,395,471 5,316,633 3,851,633

213 5 936,750 1,570,000 656,766

214 2 369,000 1,006,667 601,016

215 2 733,071 3,100,000 2,222,620

216 2 514,928 1,253,333 639,166

217 4 1,592,357 5,678,333 3,562,333

218 2 1,759,714 11,566,667 8,887,233

219 3 4,060,714 17,603,667 10,333,983

220 5 1,932,535 3,221,000 1,108,267

221 3 1,495,178 2,786,000 1,105,650

222 1 267,428 340,000 56,500

223 3 1,153,285 3,116,667 1,903,583

224 3 577,714 1,116,667 444,333

225 4 1,829,142 8,725,000 6,383,167

226 5 1,615,392 4,504,767 2,397,837

227 5 668,571 1,205,967 562,171

228 4 1,061,785 3,700,000 2,608,754

229 4 909,428 1,743,000 744,999

230 7 5,211,000 7,250,000 2,062,170

231 3 756,428 1,960,000 1,072,503

232 4 804,428 2,366,667 1,389,117

233 5 900,857 2,083,333 1,046,417

234 3 990,857 1,625,000 628,833

235 6 1,656,214 3,231,667 1,434,001

236 1 713,571 1,284,667 698,500

237 6 2,664,642 19,300,000 15,559,250

238 1 872,142 2,119,167 1,184,916

239 1 411,428 981,133 584,866

240 1 637,714 6,500,000 5,312,267

241 1 377,142 1,150,000 851,366

242 1 642,857 3,056,667 2,318,633

243 1 811,714 1,677,333 861,333

244 1 1,422,857 4,670,333 3,172,733

245 4 1,191,428 4,936,000 3,152,336


13

246 4 1,681,714 12,466,667 10,403,683

247 4 1,168,714 2,341,667 1,093,173

248 5 1,305,214 3,900,000 2,078,153

249 4 724,285 2,100,000 1,246,420

250 3 572,785 4,266,667 3,440,916

251 1 867,857 4,674,000 3,587,168

252 2 525,642 3,566,667 2,613,668

253 1 460,714 1,571,933 1,342,584

254 1 1,075,714 1,766,667 689,000

aplikasi kmeans pengelompokan rmh tangga tseptioko ha parhusip tmahatma

Documents