Perbandingan Analisis Klaster K-Means dan Average Linkage untuk Pengklasteran Kemiskinan di Provinsi Jawa Tengah

Main Article Content

Dahayu Widyadhan
Rina Budi Hastuti
Iqbal Kharisudin
Fatkhurokhman Fauzi

Abstract

Kemiskinan mendefinisikan suatu kondisi dimana ketidakmampuan untuk memenuhi kelangsungan hidup minimum. Kemiskinan merupakan persoalan multi dimensi, dan merupakan suatu persoalan yang dihadapi di banyak negara berkembang. Di Indonesia pada tiap daerahnya memiliki data kemiskinan yang berbeda, salah satunya adalah Jawa Tengah. Badan Pusat Statistik (BPS) melaporkan presentase kemiskinan di Jawa Tengah sebesar 10,8% dari jumlah penduduk. Pada penelitian ini digunakan beberapa variabel diantaranya garis kemiskinan, jumlah penduduk miskin, jumlah keluarga pra sejahtera dan pengeluaran perkapita. Penelitian ini bertujuan untuk membandingkan pengklasteran kemiskinan di Jawa Tengah dengan metode K-Means dan Average Linkage. Evaluasi metode dilakukan dengan membandingkan nilai Silhouette Coefficient masing-masing metode. Berdasarkan hasil penelitian, jumlah klaster terbaik yang dihasilkan adalah sebanyak 2 klaster, dengan nilai Silhouette Coefficient yang diperoleh menggunakan metode Average Linkage adalah 0,35, sedangkan dengan metode K-Means adalah sebesar 0,2. Dengan demikian, model terbaik yang diperoleh untuk pengklasteran kemiskinan di Jawa Tengah adalah dengan metode Average Linkage dengan nilai Silhouette Coefficient yang lebih tinggi dibandingkan metode K-Means yaitu 0,35.

Article Details

How to Cite
Widyadhan, D., Hastuti, R., Kharisudin, I., & Fauzi, F. (2021). Perbandingan Analisis Klaster K-Means dan Average Linkage untuk Pengklasteran Kemiskinan di Provinsi Jawa Tengah. PRISMA, Prosiding Seminar Nasional Matematika, 4, 584-594. Retrieved from https://journal.unnes.ac.id/sju/prisma/article/view/45032
Section
Articles

References

Azuri, D. F., Zulhanif, & Pontoh, R. S. (2016). Pengelompokkan Kabupaten/Kota Di Pulau Jawa Berdasarkan Pembangunan Manusia Berbasis Gender Menggunakan Bisecting K-Means. Peran Penelitian Ilmu Dasar Dalam Menunjang Pembangunan Berkelanjutan, 78–83.
Cebeci, Z., & Yildiz, F. (2015). Comparison of K-Means and Fuzzy C-Means Algorithms on Different Cluster Structures. Journal of Agricultural Informatics, 6(3), 13–23.
Che, X., Zhu, B., & Wang, P. (2021). Assessing global energy poverty: An integrated approach. Energy Policy, 149(June 2020), 112099.
Govender, P., & Sivakumar, V. (2020). Application of k-means and hierarchical clustering techniques for analysis of air pollution: A review (1980–2019). In Atmospheric Pollution Research (Vol. 11).
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2006). Multivariate Data Analysis Pearson International Edition Edition 6. New Jersey.
Itang, I. (2017). Faktor Faktor Penyebab Kemiskinan. Tazkiya, 16(01), 1–30.
Johnson, R. A. (2007). Applied Multivariate Statistics Analysis (p. 680). p. 680.
Long, Z. Z., Xu, G., Du, J., Zhu, H., Yan, T., & Yu, Y. F. (2021). Flexible Subspace Clustering: A Joint Feature Selection and K-Means Clustering Framework. Big Data Research, 23, 100170.
Ningrat, D. R., Maruddani, D. A. I., & Wuryandari, T. (2016). Analisis Cluster Dengan Algoritma K-Means Dan Fuzzy C-Means Clustering Untuk Pengelompokan Data Obligasi Korporasi. None, 5(4), 641–650.
Ningsih, S., Wahyuningsih, S., & Nasution, Y. N. (2016). Perbandingan kinerja metode complete linkage dan average linkage dalam menentukan hasil analisis cluster ( Studi Kasus : Produksi Palawija Provinsi Kalimantan Timur 2014 / 2015 ). Prosiding Seminar Sains Dan Teknologi FMIPA Unmu, 1(1).
Oktarina, C., Notodiputro, K. A., & Indahwati, I. (2020). Comparison of K-Means Clustering Method and K-Medoids on Twitter Data. Indonesian Journal of Statistics and Its Applications, 4(1), 189–202.
Saleh, S. (2002). FAKTOR-FAKTOR PENENTU TINGKAT KEMISKINAN REGIONAL DI INDONESIA. 7(2), 87–102.