KLASTERISASI TINGKAT KESEJAHTERAAN MASYARAKAT PADA PROVINSI DI INDONESIA MENGGUNAKAN ALGORITMA K-MEANS

Marlisa Koliham, Anita Diana, Rizky Tahara Shita

Abstract


Pembangunan nasional di Indonesia bertujuan untuk meningkatkan kesejahteraan masyarakat secara merata. Namun, ketimpangan kesejahteraan antarprovinsi masih menjadi tantangan utama. Penelitian ini bertujuan untuk mengelompokkan 38 provinsi di Indonesia berdasarkan tingkat kesejahteraan menggunakan empat indikator utama: Upah Minimum Provinsi (UMP), Indeks Pembangunan Manusia (IPM), persentase penduduk miskin, serta tingkat Pengangguran Terbuka (TPT). Pendekatan yang digunakan adalah metode data mining dengan algoritma K-Means Clustering yang dianalisis melalui tahapan CRISP-DM. Data sekunder tahun 2021–2024 diperoleh dari Badan Pusat Statistik dan Kementerian Ketenagakerjaan. Penentuan jumlah grup yang paling sesuai dilakukan melalui Metode Elbow, dan pemeriksaan keabsahan dari hasil pengelompokan menggunakan Davies Bouldin Index (DBI). Hasil penelitian menunjukkan lima klaster kesejahteraan, yaitu: sangat tinggi (3 provinsi), menengah tinggi (8 provinsi), menengah (13 provinsi), rendah (11 provinsi), dan sangat rendah (5 provinsi), dengan nilai DBI sebesar 0,845 yang mengindikasikan kualitas klaster yang baik. Temuan ini diharapkan dapat mendukung pengambilan kebijakan yang lebih terarah dalam upaya pemerataan kesejahteraan di Indonesia.

Full Text:

PDF

References


Dhewayani, F. N., Amelia, D., Alifah, D. N., Sari, B. N., Jajuli, M., HSRonggo Waluyo, J., Telukjambe Timur, K., Karawang, K., & Barat, J. (n.d.). Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM. Jurnal Teknologi Dan Informasi. https://doi.org/10.34010/jati.v12i1

Dzulhijjah, D. A., Bagus Herlambang, M., & Haifan, M. (n.d.). IMPLEMENTASI FRAMEWORK CRISP-DM UNTUK PROSES DATA MINING APLIKASI CREDIT SCORING PT. XYZ.

Khalif, A., Nur Hasanah, A., Hafizh Ridwan, M., Nurina Sari, B., Kunci -Kemiskinan, K., Crisp-dm, M., & Berkelanjutan, P. (n.d.). Klasterisasi Tingkat Kemiskinan di Indonesia Menggunakan Algoritma K-Means. In Generation Journal (Vol. 8, Issue 1).

Mahendrasyah, I. (2023). KLASTERISASI INDEKS STANDAR PENCEMARAN UDARA MENGGUNAKAN ALGORITMA K-MEANS.

Muningsih, E., & Kiswati, S. (2018). SISTEM APLIKASI BERBASIS OPTIMASI METODE ELBOW UNTUK PENENTUAN CLUSTERING PELANGGAN. In JOUTICA (Vol. 3, Issue 1).

Murharni, S., & Andriyanto, S. (2022). 977d41f963a350636d1c4d2449f8acc8d18e. Jurnal Informatika, 22(TINGKAT PENGANGGURAN TERBUKA TAHUN 2016-2018 DAN 2019-2021).

Nurfathullah, M., & Purnamasari, I. (2024). IMPLEMENTASI K-MEANS UNTUK MENGELOMPOKKAN PROVINSI DI INDONESIA BERDASARKAN INDEKS JUMLAH PENGANGGURAN TERBUKA. In Jurnal Mahasiswa Teknik Informatika (Vol. 8, Issue 2).

Rizki Nugroho, M., & Edo Hendrawan, I. (2022). Penerapan Algoritma K-Means Untuk Klasterisasi Data Obat Pada Rumah Sakit ASRI. 16(1). https://journal.uniku.ac.id/index.php/ilkom

Rukhan Saputra, N., & Zaida Muflih, G. (2025). Pengelompokan Wilayah Indonesia Berdasarkan Komponen Indeks Pembangunan Manusia dengan Pendekatan Algoritma K-Means Clustering. SKANIKA: Sistem Komputer Dan Teknik Informatika, 8(1), 156–167.

Sihombing, S. C., & Sihombing, D. A. (2022). Pengelompokan Tingkat Kesejahteraan Masyarakat di Sumatera Utara dengan Metode K-Means Clustering. Jurnal Matematika Integratif, 17(2), 127. https://doi.org/10.24198/jmi.v17.n2.35025.127-135




DOI: http://dx.doi.org/10.36723/juri.v17i2.790

Refbacks

  • There are currently no refbacks.


Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional.

 

 

 

 

 

View My Stats