Implementasi K-Means Clustering Dengan Davies-Bouldin Index Evaluation Terhadap Pengelompokan Provinsi Di Indonesia Berdasarkan Indikator Sosioekonomi
DOI:
https://doi.org/10.54367/kakifikom.v7iNomor%202.5801Keywords:
Data Mining, K-Means Clustering, Indeks Pembangunan Manusia, Davies-Building IndexAbstract
Penelitian ini bertujuan untuk menganalisis dan mengkelompokkan 38 provinsi di Indonesia guna mengidentifikasi pola disparitas pembangunan wilayah berdasarkan tiga indikator sosioekonomi utama yaitu Persentase Penduduk Miskin (PPM), Indeks Pembangunan Manusia (IPM), dan Indeks Tingkat Pengangguran Terbuka (TPT). Metode yang digunakan adalah Data Mining dengan teknik K-Means Clustering sebagai algoritma unsupervised learning. Data yang digunakan dinormalisasi menggunakan Standard Scaler (Z-Score) untuk memastikan akurasi jarak. Penentuan k optimal (k=3) dievaluasi menggunakan Davies-Bouldin Index (DBI) yang mengonfirmasi konfigurasi klaster paling kohesif dan terpisah. Hasil klasterisasi berhasil mengelompokkan provinsi ke dalam tiga kategori yang signifikan secara statistik: Klaster Maju (dicirikan oleh IPM tinggi dan PPM rendah), Klaster Berkembang (nilai IPM dan PPM moderat), dan Klaster Tertinggal (IPM sangat rendah, PPM sangat tinggi). Klaster Tertinggal, yang mayoritas berada di wilayah timur Indonesia, mengindikasikan kebutuhan akan intervensi spesifik dan terfokus pada peningkatan kualitas sumber daya manusia (SDM) dan pengentasan kemiskinan struktural. Klasterisasi ini memberikan dasar bagi pemerintah daerah untuk merumuskan kebijakan pembangunan yang lebih tepat sasaran.References
A. Bahauddin, A. Fatmawati, and F. P. Sari, “Analisis Clustering Provinsi Di Indonesia Berdasarkan Tingkat Kemiskinan Menggunakan Algoritma K-Means,” J. Manaj. Inform. Dan Sist. Inf., vol. 4, no. 1, pp. 1–8.
R. Wahyuni, “K-Means clustering for grouping Indonesia underdeveloped regions in 2020 based on poverty indicators,” Param. J. Stat., vol. 2, no. 1, pp. 8–15.
G. R. Wahyudi, R. Rahmaddeni, E. Dini, S. Adrianto, and R. Fadila, “Clustering Regencies in Indonesia for Regional Mapping Using the K-Means Algorithm,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 3, pp. 1143–1151.
T. A. T, “Analisis klaster provinsi di indonesia berdasarkan akses dan infrastruktur listrik menggunakan algoritma,” J. Ilm. Kohesi, vol. 8, no. 1.
H. A. Siahaan, “Penerapan Data Mining Untuk Clustering Indeks Pembangunan Manusia Berdasarkan Provinsi Di Indonesia BT - Prosiding Seminar Nasional Mahasiswa FTI,” pp. 525–532.
E. Muningsih, I. Maryani, and V. R. Handayani, “Penerapan Metode K-Means dan Optimasi Jumlah Cluster dengan Index Davies Bouldin untuk Clustering Propinsi Berdasarkan Potensi Desa,” J. Sains dan Manaj., vol. 9, no. 1.
N. N. Kaylista, N. Khoirunnisaa, G. V E.N.F, and A. Y. P. Yusuf, “Implementasi Algoritma K-Means Clustering Menggunakan Aplikasi Orange Untuk Mengetahui Pola Indeks Pembangunan Manusia Tahun 2022,” J. Inf. Inf. Secur., vol. 4, no. 1, pp. 65–76.
Y. F. A, “Analisis Perbandingan Algoritma K-Means dan Hierarchial Clustering untuk Pengelompokan Data Penduduk Indeks Pembangunan Manusia pada Kecamatan Percut Sei Tuan,” Repos. UMA.
A. Septianingsih, “ANALISIS K-MEANS CLUSTERING PADA PEMETAAN PROVINSI INDONESIA BERDASARKAN INDIKATOR RUMAH LAYAK HUNI,” J. Lebesgue J. Ilm. Pendidik. Mat. Mat. dan Stat., vol. 3, no. 1, pp. 224–241.
T. E. F, “Eksplorasi Ketimpangan dan Klasterisasi Pembangunan Manusia di Provinsi Nusa Tenggara Timur,” J. Stat. Terap., vol. 5, no. 1, pp. 75–83.
L. Anggraeni and P. A. R, “Analisis Cluster Menggunakan Algoritma K-Means Pada Provinsi Sumatera Barat Berdasarkan Indeks Pembangunan Manusia Tahun 2021 BT - Prosiding Seminar Nasional UNIMUS,” pp. 636–646.
D. Abdullah, A. S. Sunge, and A. T. Zy, “The application of K-means clustering for province classification based on COVID-19 cases in Indonesia,” J. Comput. Networks, Arch. High Perform. Comput., vol. 6, no. 3, pp. 1055–1065.
H. Mulyani, “Clustering area COVID-19 Indonesia with K-Means clustering method,” J. Inf. Technol. Its Util., vol. 5, no. 2, pp. 42–50.
M. S, “Pengelompokan Tingkat Kemiskinan di Provinsi Jawa Barat dengan Metode K-Means Clustering,” J. Data Insights, vol. 1, no. 2, pp. 54–62.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 KAKIFIKOM (Kumpulan Artikel Karya Ilmiah Fakultas Ilmu Komputer)
This work is licensed under a Creative Commons Attribution 4.0 International License.
1.png)
