Penerapan Algoritma K-Means Untuk Mengelompokkan Kemiskinan Provinsi Di Indonesia Tahun 2022
Keywords:
Cluster, K-means, Silhouette Index, Kemiskinan, IndonesiaAbstract
Kemiskinan adalah permasalahan khusus yang perlu ditanggulangi. Jumlah penduduk miskin di Indonesia pada maret 2023 sebanyak 25,90 juta orang. Dengan adanya hal tersebut, Pemerintah Indonesia memerlukan data sosial untuk mengetahui program seperti apa yang harus diberikan terhadap masyarakatnya. Penelitian ini bertujuan untuk mengelompokkan kemiskinan yang ada di Indonesia berdasarkan kesamaan karakteristiknya. Variabel yang digunakan pada penelitian ini adalah Persentase Penduduk Miskin (X1), Persentase Penduduk Miskin Usia 15 Tahun ke Atas Menurut dan Pendidikan yang Ditamatkan dibawah SD (X2), Persentase Penduduk Miskin Usia 15 Tahun ke Atas Menurut dan Pendidikan yang Ditamatkan Tamat SD/SMP (X3), Persentase Penduduk Miskin Usia 15 Tahun ke Atas Menurut dan Pendidikan yang Ditamatkan tamat SMA (X4), Angka Melek Huruf Penduduk Miskin 15-55 (X5), Angka Melek Huruf dan Angka Partisipasi Sekolah Penduduk Miskin 13-15 (X6), Persentase Penduduk Miskin Usia 15 Tahun ke Atas Tidak Bekerja (X7). Persentase Penduduk Miskin Usia 15 Tahun ke Atas Bekerja di Sektor Informal (X8), Persentase Penduduk Miskin Usia 15 Tahun ke Atas Bekerja di Sektor Formal (X9), Persentase Penduduk Miskin Usia 15 Tahun ke Atas Bekerja di Sektor Pertanian (X10), Persentase Penduduk Miskin Usia 15 Tahun ke Atas Bekerja Bukan di Sektor Pertanian (X11). Hasil analisis yang diperoleh dari hasil perhitungan Silhouette Index didapat hasil bahwa pembentukan 3 klaster menjadi yang terbaik. Kemudian pada klaster 1 terdiri dari 8 Provinsi, klaster 2 terdiri dari 25 Provinsi, dan klaster 3 terdiri dari 1 Provinsi.
References
[1] N. Nurwati, “Kemiskinan : Model Pengukuran , Permasalahan dan Alternatif Kebijakan,†J. Kependud. Padjadjaran, vol. 10, no. 1, pp. 1–11, 2008.
[2] I. Nasution, A. P. Windarto, and M. Fauzan, “Penerapan Algoritma K-Means Dalam Pengelompokan Data Penduduk Miskin Menurut Provinsi,†Build. Informatics, Technol. Sci., vol. 2, no. 2, pp. 76–83, 2020, doi: 10.47065/bits.v2i2.492.
[3] D. V. Ferezagia, “Analisis Tingkat Kemiskinan di Indonesia,†J. Sos. Hum. Terap., vol. 1, no. 1, pp. 1–6, 2018, doi: 10.7454/jsht.v1i1.6.
[4] Badan Pusat Statistik Indonesia, “BERITA RESMI STATISTIK INDONESIA 2023,†Badan Pus. Stat., no. 57, pp. 1–8, 2018, [Online]. Available: https://www.bps.go.id/pressrelease/2018/07/16/1483/persentase-penduduk-miskin-maret-2018-turun-menjadi-9-82-persen.html
[5] A. V. D. Sano and H. Nindito, “Application of K-Means Algorithm for Cluster Analysis on Poverty of Provinces in Indonesia,†ComTech Comput. Math. Eng. Appl., vol. 7, no. 2, p. 141, 2016, doi: 10.21512/comtech.v7i2.2254.
[6] E. Turban and J. E. Aronson, Decicion Support Systems and Intelligent System. Yogyakarta: Andi Offset, 2005.
[7] Yuli Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4 . 5 Data mining merupakan bagian dari tahapan proses Knowledge Discovery in Database ( KDD ) . Jurnal Edik Informatika,†J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2019.
[8] E. Prasetyo, Data Mining : Mengolah Data Menjadi Informasi Menggunkan Matlab. Yogyakarta: Andi, 2014.
[9] B. & Santosa and Ardian Umam, Data Mining dan Big Data Analytics. Yogyakarta: Penebar Media Pustaka, 2018.
[10] N. Afira and A. W. Wijayanto, “Analisis Cluster Kemiskinan Provinsi di Indonesia Tahun 2019 dengan Metode Partitioning dan Hierarki Cluster Analysis with Partitioning and Hierarchical Methods on Provincial Poverty Information Data in Indonesia in 2019,†vol. 10, no. 28, 2021, doi: 10.34010/komputika.v10i2.4317.
[11] W. K. Bellinger, The Economics Analysis of Public Policy. Routledge: Oxon, 2007.
[12] M. Mulyadi, “PENELITIAN KUANTITATIF DAN KUALITATIF SERTA PEMIKIRAN DASAR MENGGABUNGKANNYA,†vol. 15, no. 1, pp. 127–138, 2011.
