Perbandingan Metode Gerombol Pautan Lengkap dan Pautan Rataan untuk Pengelompokan Kemiskinan Kabupaten/Kota di Indonesia
Abstract
Masalah kemiskinan merupakan masalah yang kompleks dan bersifat multidimensional karena sangat erat kaitannya dengan berbagai aspek kehidupan baik sosial, ekonomi, budaya, dan aspek lainnya. Penelitian ini bertujuan untuk membandingkan dan mengelompokkan kabupaten/kota di Indonesia berdasarkan indikator tingkat kemiskinan, serta membandingkan kedua metode gerombol berhirarki dengan nilai-nilai validitas internal. Kabupaten/kota pada penelitian ini dibagi menjadi tiga wilayah waktu yaitu WIB, WITA, dan WIT. Metode yang digunakan adalah metode pautan lengkap dan metode pautan rataan. Data yang digunakan adalah tingkat kemiskinan kabupaten/kota yang bersumber dari Badan Pusat Statistik Indonesia tahun 2018. Hasil penelitian menunjukkan bahwa pengelompokan dengan kedua metode tersebut menghasilkan 4 gerombol. Gerombol 1 dari asing-masing zona memiliki nilai rata-rata tertinggi yang menggambarkan karakteristik tingkat kemiskinan pada gerombol 1 lebih baik dari gerombol lainnya. Metode terbaik antara metode pautan lengkap dan metode pautan rataan untuk pengelompokan kabupaten/kota pada masing-masing wilayah waktu adalah metode pautan rataan, sehingga metode pautan rataan memiliki kinerja yang lebih baik dari metode pautan lengkap.
The problem of poverty is a complex and multidimensional problem because it is closely related to various aspects of life, such as social, economic, cultural, and other aspects. This study aims to compare and classify districts or cities in Indonesia based on poverty level indicators, as well as to compare the two hierarchical cluster methods with internal validity values. Districts or cities in this study are divided into three time zones, namely WIB, WITA, and WIT. The methods used are the complete linkage method and the mean linkage method. The data used is the district or city poverty level sourced from the Indonesian Central Bureau of Statistics in 2018. The results show that grouping with the two methods produces 4 clusters. Cluster 1 from each foreign zone has the highest average value which describes the characteristics of the poverty level in cluster 1 better than the other groups. The best method between the complete linkage method and the mean linkage method for grouping districts or cities in each time zone is the mean linkage method, so the mean linkage method has better performance than the complete linkage method
Keywords
Full Text:
PDF (Bahasa Indonesia)References
Badan Pusat Statistika. 2016. Perhitungan dan Analisis Kemiskinan Makro Indonesia 2016.
Syakti, F. 2013. “Sistem Informasi Data Kemiskinan Kabupaten Banyuasin Sumatera Selatan. Seminar Nasional Informatika 2013. ISSN: 1979-2328.,”
Mattjik, A.A. and Sumertajaya, I.M. 2011. Sidik Peubah Ganda dengan Menggunakan SAS. Bogor: IPB Press.
Husna, I. Rusyana, A. Muslem, Idroes, G.M. Suhendra R. and Idroes, R. 2020. “Grouping of Retention Index on Gas Chromatography using Cluster Analysis,” IOP Conf. Ser. Mater. Sci. Eng., vol. 79, no. 1, p. 012064., 2020.
Brock, G. Pihur, V. Datta, S. and Datta, S. 2008. “clValid: An R Package for Cluster Validation,” J. Stat. Softw., vol. 25, no. 4, 2.
Agusta, Y. 2007. “K-Means – Penerapan, Permasalahan dan Metode Terkait,” J. Sist. dan Inform., vol. 3, pp. 1–14.
Rivani, E. 2010. “Aplikasi K-Means Cluster Untuk Pengelompokkan Provinsi Berdasarkan Produksi Padi, Jagung, Kedelai, Dan Kacang Hijau Tahun 2009,” J. Mat Stat, vol. 10, no. 2, pp. 122–134.
Pradnyana, A.G. and Ngurah, A.S. 2012. “Perancangan Dan Implementasi Automated Document Integration Dengan Menggunakan Algoritma Complete Linkage Agglomerative Hierarchical Clustering,” J. Ilmu Komput., vol. 5, no. 2, pp. 1–10.
Johnson, R.A. and Wichern, D.W. 2007. Applied Multivariate Statistical Analysis. New Jersey: Prentice-Hall.
Subekti, R. Kusumawati, R. Sari, E.R. J. 2017. “K-Means Clustering dan Average Linkage dalam Pembentukan Portfolio Saham,” Semin. Mat. Dan Pendidik. Mat. Uny, pp. 219–224.
Alwi, W. and Hasrul, M. 2018. “Analisis Klaster Untuk Pengelompokkan Kabupaten/Kota Di Provinsi Sulawesi Selatan Berdasarkan Indikator Kesejahteraan Rakyat,” J. MSA ( Mat. dan Stat. serta Apl. ), vol. 6, no. 1, p. 35.
Madhulatha, T.S. 2012 “An Overview On Clustering Methods,” IOSR J. Eng., vol. 2, no. 4, p. 723.
Muningsih, E. and Kiswati, S. 2018. “Sistem Aplikasi Berbasis Optimasi Metode Elbow Untuk Penentuan Clustering Pelanggan,” Joutica, vol. 3, no. 1, p. 117.
Liu, Y. Li, Z. Xiong, H. Gao, X. and Wu, J. 2010. “Understanding of Internal Clustering Validation Measures,” IEEE Int. Conf. Data Min., vol. 911.
Prasetyo, E. 2014. Data Mining : Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: Andi Publisher.
Benazir and Azharsyah 2017. “Analisis Faktor-Faktor Yang Mempengaruhi Kemiskinan Di Kabupaten Pidie Jaya”, pp. 1–80.
Kesuma, Z.M. Rusdiana, S. Rusyana, A. Rahayu, L. dan Rosadi, R. 2019. Aplikasi Analisis Korespondensi Berganda Terhadap Status Gizi Remaja di Kota Banda Aceh. Buletin Penelitian Kesehatan, vol 7, no 1, pp 47-54.
Kesuma, Z.M. Rusyana, A. dan Rahayu, L. Factors affecting adolescent nutritional status in Banda Aceh, Indonesia. Journal of Physics: Conference Series, vol 1490, no 1, 012049.
Yana, M.S. Setiawan, L. Ulfa, E. M. dan Rusyana, A. 2018. "Penerapan Metode K-Means dalam Pengelompokan Wilayah Menurut Intensitas Kejadian Bencana Alam di Indonesia Tahun 2013-2018". Journal of Data Analysis, vol 1, no 2, pp. 93-102.
Refbacks
- There are currently no refbacks.