Analisis Cluster K-Means dan K-Medoids Untuk Pengelompokan Provinsi di Indonesia Berdasarkan Pembangunan TIK Tahun 2024
DOI:
https://doi.org/10.32493/sm.v8i2.60426Keywords:
K-Means, K-Medoids, Pembangunan TIK, Clustering, Komparasi KinerjaAbstract
Ketimpangan akses dan infrastruktur digital antarprovinsi di Indonesia menjadi tantangan signifikan dalam era ekonomi digital. Penelitian ini bertujuan untuk mengelompokkan 38 provinsi di Indonesia berdasarkan indikator pembangunan Teknologi Informasi dan Komunikasi (TIK) serta kualitas sumber daya manusia tahun 2024, sekaligus melakukan uji komparasi kinerja antara algoritma K-Means dan K-Medoids. Variabel yang digunakan meliputi persentase kepemilikan telepon seluler (HP), kepemilikan komputer, akses internet, Rata-rata Lama Sekolah (RLS), dan Indeks Pembangunan Manusia (IPM). Penentuan jumlah kelompok optimal dievaluasi menggunakan Elbow Method. Hasil Elbow Method menetapkan 4 klaster optimal untuk K-Means dan 5 klaster optimal untuk K-Medoids. Pada pemodelan K-Means, wilayah terpartisi secara tegas dengan mengisolasi Provinsi Papua Tengah dan Papua Pegunungan ke dalam klaster Sangat Tertinggal akibat krisis infrastruktur TIK. Validitas struktur pengelompokan diuji menggunakan lima instrumen matriks, yaitu Silhouette Score, Davies-Bouldin Index (DBI), Dunn Index, Rasio SW/SB, dan Separation Index. Hasil pengujian performa menunjukkan bahwa algoritma K-Means secara mutlak mengungguli K-Medoids pada seluruh metrik evaluasi. K-Means mencatatkan Silhouette Score lebih tinggi (0,3473) , DBI lebih kecil (0,7853) , dan rasio SW/SB yang sangat minimalis (0,1647) dibandingkan K-Medoids yang mengalami pembiasan akibat nilai rasio SW/SB yang meledak hingga 1,9135. Dengan demikian, algoritma K-Means terbukti memiliki kecocokan (goodness of fit) yang lebih solid dan akurat dalam memetakan potret ketimpangan digital di Indonesia, sehingga hasil klasternya dapat dijadikan acuan strategis bagi pemerintah dalam merumuskan kebijakan pemerataan teknologi yang tepat sasaran.
References
Dewi, D. M., Saingan, A. F., & Fahmi, Y. (2022). Kontribusi teknologi informasi dan komunikasi terhadap rata-rata lama sekolah di Pulau Jawa. Jurnal Pendidikan, 20, 24–36.
Erlangga, W., & Octavia, S. F. (2022). Perbandingan K-Means dan K-Medoids pada pengelompokan data miskin di Indonesia. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 2(2), 35–41.
Fitriana, A., Yanti, N., & Zulkarnaen, I. (2022). Komparasi K-Means Clustering dan K-Medoids dalam mengelompokkan produksi susu segar di Indonesia. BITE: Jurnal Bumigora Information Text and Engineering, 4(2), 154-162.
Koswara, A., et al. (2024). Digitalisasi ekonomi di pedesaan: Mengkaji kesenjangan infrastruktur digital di Indonesia. Jurnal Manajemen, 5(5).
Maulana, M. S., Huda, M., & Fauzi, A. (2024). Simulation of the K-Means clustering algorithm with the Elbow method in making clusters of provincial poverty levels in Indonesia. Journal of Mathematics and Informatics (Mantik), 8(4), 1580-1587.
Nabila, A. P., & Mardhotillah, B. (2025). Segmentasi provinsi di Indonesia menggunakan metode K-Means berdasarkan tujuan mengakses internet tahun 2024. Jurnal Komputasi, 5(November), 123–141.
Saputra, N. R., Muflih, G. Z., & Informatika, T. (2025). Pengelompokan wilayah Indonesia berdasarkan komponen Indeks Pembangunan Manusia dengan pendekatan algoritma K-Means clustering. Jurnal Informatika, 8, 156–167.
Widiasanti, I., Rahmadani, S., & Nur, D. A. (2025). Kesetaraan akses internet dan tantangan literasi digital di Indonesia. Jurnal Sains Data, 9, 19631–19637.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Dian Natasia Dewanti Sukarman Dian Natasia Dewanti Sukarman
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
As an Author, you have the right to a variety of uses for your article, including institutions or companies. The author's rights might do without the need for special permission.
Authors who publish in the Jurnal Jurnal Statistika dan Matematika (Statmat) have broad rights to use their works for education and scientific purposes without permission, including:
Used to discuss in a class by the author or the author's body and presentations at meetings or conferences and participant approval;
Used for internal training by the author's company;
Distribution to colleagues for the use of their research;
Used in preparation for further author's works;
Included in a thesis or dissertation;
Partial or extra reuse of articles in other works (with full acknowledgment of the last item);
Prepare derivatives (other than for commercial purposes);
Post voluntarily on a website opened by the author or approve the author for scientific purposes (follow CC with a SA License).
