Analisis Clustering Time Series untuk Pengelompokan Provinsi di Indonesia Berdasarkan Indeks Pembangunan Manusia Jenis Kelamin Perempuan
DOI:
https://doi.org/10.29313/statistika.v23i1.2181Keywords:
IPM Perempuan, Dynamic Time Warping, Clustering Time SeriesAbstract
ABSTRAK
Indeks Pembangunan Manusia (IPM) mencerminkan bagaimana kualitas dari pembangunan suatu wilayah tertentu. Selain adanya ketimpangan nilai IPM antar wilayah provinsi di Indonesia, jika dilihat dari sudut pandang gender, maka kesenjangan IPM laki-laki dan perempuan pun tidak bisa dihindari. Peningkatan pertumbuhan pembangunan di setiap wilayah tentu harus mendorong peningkatan kesetaraan gender pula, dalam hal ini kesenjangan pembangunan antara laki-laki dan perempuan harus mampu diminimalisir sehingga penting untuk melihat bagaimana kondisi IPM perempuan perwilayah provinsi di Indonesia agar dapat dilakukan langkah-langkah intervensi untuk meminimalisir isu ketimpangan yang harapannya dapat mendorong indeks pembangunan di wilayah tersebut. Metode analisis yang digunakan untuk mengelompokkan daerah berdasarkan nilai IPM perempuan adalah Clustering time series. Hasil analisis memperlihatkan metode clustering time series dengan menggunakan jarak dynamic time-warping (DTW) menghasilkan dua kelompok yaitu kelompok 1 (daerah dengan IPM perempuan rendah): daerah Papua dan kelompok 2 (daerah dengan IPM perempuan tinggi): daerah lain selain Papua. Pengelompokan yang dibentuk menghasilkan nilai koefisien Silhouette sebesar 0,74. Nilai tersebut menandakan bahwa kelompok yang dibentuk berada dalam kategori kuat dalam artian bahwa dua kelompok tersebut mempunyai karakteristik yang jelas berbeda sehingga metode pengelompokan dengan jarak DTW dapat digunakan dalam pengelompokan provinsi-provinsi di Indonesia berdasarkan nilai IPM Perempuan.
ABSTRACT
The Human Development Index (HDI) reflects the quality of development in a particular region. In addition to the inequality of HDI values between provinces in Indonesia, when viewed from a gender perspective, the gap between the HDI of men and women is inevitable. Increased development growth in each region must certainly encourage an increase in gender equality as well; in this case, the development gap between men and women must be able to be minimized, so it is important to see how the condition of the women's HDI per region in Indonesia so that intervention steps can be taken to minimize the issue of inequality. The analysis method used in this paper is Time Series Clustering. The analysis results show that the time series clustering method using dynamic time-warping (DTW) distance produces two groups: group 1 (regions with low female HDI): Papua region and group (2 regions with high female HDI): all provinces except Papua. The grouping formed produced a Silhouette coefficient value of 0.74. This value indicates that the groups formed are in a strong category, so the clustering method with DTW distance can be used in grouping provinces in Indonesia based on the value of Women's HDI.
References
Adnyani, L. P. W. & Sihombing, P. R., (2021). ‘Analisis Cluster Time Series Dalam Pengelompokan Provinsi Di Indonesia Berdasarkan Nilai PDRB’. Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika, 1(1), pp. 47-54.
Agapa, Y., (2019). ‘Kesetaraan Gender dan Pemberdayaan Perempuan Papua’. [Online] Available at: https://www.qureta.com/post/kesetaraan-gender-dan-pemberdayaanperempuan-papua [Accessed 3 12 2022].
Aghabozorgi, S., Shirkhorshidi, A. S. & Wah, T. Y., (2015).’ Time-series clustering – A decade review’. Information Systems, Volume 53, pp. 16-38.
Ambarwati, A. N., (2019).’ Latent Class Cluster Analysis Untuk Pengelompokan Kabupaten/Kota Di Provinsi Jawa Tengah Berdasarkan Indikator Indeks Pembangunan Manusia 2017’. Variance : Journal of Statistics and Its Applications, 1(2), pp. 46-54.
Arifin, S., (2018). ‘Kesetaraan Gender Dan Pertumbuhan Ekonomi Di Indonesia’. Kajian, 23(1), pp. 27- 41.
Dewi, D. A. I. C., & Pramita, D. A. K. (2019). ‘Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali’. Matrix: Jurnal Manajemen Teknologi Dan Informatika, 9(3), 102-109.
Kaufman, L. & Rousseeuw, P., (1990). ‘Finding Groups in Data: An Introduction to Cluster Analysis’. New Jersey (US): John Wiley and Sons Inc.
Liao, T., (2005). ‘Clustering of time series data-a survey’. Pattern Recognition, Volume 38, p. 1857 – 1874.
Li, L. & Prakash, B. A., (2011). ‘Time Series Clustering: Complex is Simpler!’. USA, Proceedings of the 28th International Conference on Machine Learning, .
Mattjik, A. & Sumertajaya, I., (2011). ‘Sidik Peubah Ganda dengan Menggunakan SAS’. 1 ed. Bogor: IPB Press.
Munthe, A. D. (2019). ‘Penerapan clustering time series untuk menggerombolkan provinsi di Indonesia berdasarkan nilai produksi padi’. Jurnal Litbang Sukowati: Media Penelitian dan Pengembangan, 2(2), 11-11.
Paparrizos, J. & Gravano, L., (2015). ‘k-Shape: Efficient and Accurate Clustering of Time Series’. Melbourne, Proceedings of the 2015 ACM SIGMOD international conference on management of data
Prastyo, H. E. & Ilfana, F., (2022). ‘Pengelompokan Kabupaten Dan Kota Di Jawa Timur Berdasarkan Indeks Pembangunan Manusia Dengan Menggunakan Metode K-Means Tahun 2020-2021’. JIKOSTIK – Jurnal Ilmiah Komputasi dan Statistika, 2(1), pp. 22-32.
Purba, R. A. et al., (2022). ‘Penerapan K-Means Clustering Pada Pengelompokan Kabupaten/Kota Sumatera Utara Berdasarkan Indeks Pembangunan Manusia’. SmartAI J O U R N A L, 1(2), pp. 72-80.
Rencher, A., (2002). ‘Methods of Multivariate Analysis 2nd ed’. New York (US): A John Wiley & Sons, Inc..
Sebayang, R., (2022). ‘IPM Perempuan Indonesia Rendah, tapi Angka Harapan Hidupnya Tinggi’. [Online]
Available at: https://www.idntimes.com/news/indonesia/rehia-indrayanti-brsebayang/ipm-perempuan-indonesia-rendah-tapi-angka-harapan-hidupnya-tinggi?page=all [Accessed 24 11 2022].
Sokal, R. & Rohlf, F., (1962). ‘The Comparison of Dendograms by Objective Methods’. International Association for Plant Taxonomy (IAPT), 11(2), pp. 33-40.
Wahyudi, M. Z., (2021). ‘Ketimpangan Pembangunan Manusia Masih Terjadi’. [Online]
Available at: https://www.kompas.id/baca/dikbud/2021/11/17/ketimpanganpembangunan-manusia-masih-terjadi [Accessed 24 11 2022].
Wang, X., Smith, K. & Hyndman, R., (2006). ‘Characteristic-Based Clustering for Time Series Data’. Data Mining and Knowledge Discovery , Volume 13, pp. 335-364.
Yuniar, A. & Yuniasih, A. F., (2022). ‘Pengaruh Kesetaraan Gender terhadap Ketimpangan Capaian
Pendidikan di Indonesia Tahun 2015–2019’. Jurnal Ekonomi dan Pembangunan Indonesia,
Volume 22.
