Pengelompokan Kabupaten/Kota berdasarkan Indikator Indeks Pembangunan Manusia 2022 Menggunakan K-Harmonic Means Clustering
DOI:
https://doi.org/10.29313/jrs.v3i2.3130Keywords:
Indeks Pembangunan Manusia, Klasterisasi, K-Harmonic ClusteringAbstract
Abstract. Clustering is a method to find clusters in the data by dividing the data into different clusters so that the data from each cluster has a maximum similarity while the data between clusters has a minimum similarity. The purpose of this study is to classify districts/cities in Indonesia based on Human Development Index (HDI) indicators, namely life expectancy (UHH), average school duration (RLS), School duration expectations (HLS), and real per capita expenditure (adjusted) in 2022 using the K-Harmonic Means clustering method. In addition, to determine the characteristics of districts/cities in the cluster formed using the K-Harmonic Means clustering method. The results obtained that cluster 1 is a cluster with a medium category with members as many as 15 districts/cities, cluster 2 is a cluster with a very high category with members as many as 316 districts/cities, cluster 3 is a cluster with a high category with members as many as 182 districts/cities, and Cluster 4 is a cluster with a low category with members as many as 1 district/city. From 13 iterations, the accuracy value is obtained to see the stability of the cluster formed by 99.4%. Where 511 regencies / cities are in the same cluster in each iteration process, while 3 regencies / cities are in different clusters in each iteration process.
Abstrak. Clustering adalah metode untuk menemukan klaster dalam data dengan membagi data menjadi klaster yang berbeda sehingga data dari masing-masing klaster memiliki kemiripan yang maksimum sementara data antara klaster memiliki kemiripan yang minimum. Tujuan dari penelitian ini adalah mengelompokkan kabupaten/kota di Indonesia berdasarkan indikator Indeks Pembangunan Manusia (IPM) yaitu Umur Harapan Hidup (UHH), Rata-rata Lama Sekolah (RLS), Harapan Lama Sekolah (HLS), dan Pengeluran Riil per Kapita (yang disesuaikan) pada tahun 2022 menggunakan metode klasterisasi K-Harmonic Means. Selain itu, untuk mengetahui karakteristik kabupaten/kota pada klaster yang terbentuk menggunakan metode klasterisasi K-Harmonic Means. Hasil penelitian diperoleh bahwa klaster 1 merupakan klaster dengan kategori sedang dengan anggota sebanyak 15 kabupaten/kota, klaster 2 merupakan klaster dengan kategori sangat tinggi dengan anggota sebanyak 316 kabupaten/kota, klaster 3 merupakan klaster dengan kategori tinggi dengan anggota sebanyak 182 kabupaten/kota, dan klaster 4 merupakan klaster dengan kategori rendah dengan anggota sebanyak 1 kabupaten/kota. Dari 13 kali iterasi diperoleh nilai akurasi yaitu untuk melihat kestabilan hasil klasterisasi yang terbentuk sebesar 99,4%. Dimana 511 kabupaten/kota berada pada klaster yang sama di setiap proses iterasinya, sedangkan 3 kabupaten/kota berada pada klaster yang berbeda di setiap proses iterasinya.
References
Batta. M, “Machine Learning Algorithms - A Review,” International Journal of Science and Research (IJSR), vol. 18, no. 8, pp. 381–386, 2018.
S. S. Khan and A. Ahmad, “Cluster center initialization algorithm for K-means clustering,” Pattern recognition letters, vol. 25, no. 11, pp. 1293–1302, 2004.
S. P. Siagian, Proses Pengelolaan Pembangunan Nasional. Jakarta: Penerbit CV." Haji Masagung, 1994.
T. W. Astuti, “Analisis Pengaruh Pengeluaran Pemerintah pada Sektor Kesejahreraan terhadap Pembangunan Manusia Kabupaten/Kota Sumatera Utara,” Universitas Negeri Medan, Medan, 2013.
A. Faizal, “Motivasi Belajar Intrinsik dan Ekstrinsik Siswa Jurusan Teknik Kendaraan Ringan di SMKN 1 Cangkringan,” Universitas Negeri Yogyakarta, Yogyakarta, 2019.
S. Sukirno, Pengantar Teori Makro Ekonomi. Jakarta: Raja Grafindo Persada, 2006.
BPS, “Indeks Pembangunan Manusia,” 2022.
D. Daria, “Analisis Kelompok Wilayah Rawan Penyakit Malaria di Provinsi Nusa Tenggara Timur Tahun 2014,” Universitas Islam Indonesia, Yogyakarta, 2016.
Zhang. B, Hsu. M, and Dayal. U, “K-Harmonic means - A data clustering algorithm,” HP Laboratories Technical Report, p. 124, 1999.
Sugiyono, Metode Penelitian Kuantitatif Kualitatif. Penerbit Alfabeta cv, 2019.
E. F. Dewi and N. Hajarisman, “Penanganan Data Hilang pada Pemodelan Persamaan Terstruktur melalui Metode Full Information Maximum Likelihood (FIML),” DataMath: Journal of Statistics and Mathematics, vol. 1, no. 1, pp. 11–18, 2023, doi: 10.29313/datamath.v1i1.10.
A. Firdaus, “Aplikasi Algoritma K-Nearest Neighbor pada Analisis Sentimen Omicron Covid-19,” Jurnal Riset Statistika, pp. 85–92, Dec. 2022, doi: 10.29313/jrs.v2i2.1148.
