ANALISIS KLASTER KESEJAHTERAAN MASYARAKAT KABUPATEN/KOTA DI JAWA TIMUR MENGGUNAKAN METODE HIERARKI DAN K-MEANS

Iloh Silvia Arfindi; Farida Rahmawati

doi:10.15408/empati.v14i2.45503

Authors

Iloh Silvia Arfindi Universitas Negeri Malang
Farida Rahmawati Universitas Negeri Malang

DOI:

https://doi.org/10.15408/empati.v14i2.45503

Keywords:

Cluster Hierarki, Cluster Non Hierarki K-Means, Kesejahteraan Sosial, Social Welfare, K-Means Clustering, Hierarchical Clustering

Abstract

Abstract. This study aims to classify districts/cities in East Java based on social welfare indicators in 2023 using hierarchical and K-Means clustering methods. The dataset consists of 38 districts/cities obtained from the Central Bureau of Statistics (BPS). The variables include poverty rate, unemployment rate, Human Development Index (HDI), per capita expenditure, sanitation access, and social assistance coverage. Data were standardized using z-score before clustering analysis. The optimal number of clusters was determined using Silhouette Coefficient, Davies-Bouldin Index (DBI), and Calinski-Harabasz Index (CHI). The results show that K-Means clustering with three clusters provides the most optimal grouping. Although hierarchical clustering (Ward method) produces a slightly higher Silhouette value, K-Means demonstrates better compactness and cluster separation based on DBI and CHI.

Keyword: Hierarchical Clustering, K-Means Clustering, Social Welfare.

Abstrak. Penelitian ini bertujuan untuk mengklasifikasikan kabupaten/kota di Provinsi Jawa Timur berdasarkan indikator kesejahteraan sosial tahun 2023 dengan menggunakan metode klaster hierarki dan K-Means. Data yang digunakan terdiri dari 38 kabupaten/kota yang diperoleh dari Badan Pusat Statistik (BPS). Variabel yang dianalisis meliputi tingkat kemiskinan, tingkat pengangguran, Indeks Pembangunan Manusia (IPM), pengeluaran per kapita, akses sanitasi, dan cakupan bantuan sosial. Data distandarisasi menggunakan z-score sebelum dilakukan analisis klaster. Penentuan jumlah klaster optimal dilakukan menggunakan Silhouette Coefficient, Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI). Hasil penelitian menunjukkan bahwa metode K-Means dengan tiga klaster menghasilkan pengelompokan yang paling optimal. Meskipun metode klaster hierarki (Ward) memiliki nilai Silhouette yang sedikit lebih tinggi, metode K-Means menunjukkan tingkat kompaksi klaster dan pemisahan antar klaster yang lebih baik berdasarkan nilai DBI dan CHI.

Kata kunci: Klaster Hierarki, Klaster K-Means, Kesejahteraan Sosial.

Downloads

Download data is not yet available.

Author Biographies

Iloh Silvia Arfindi, Universitas Negeri Malang

Students of development economics study program, Malang State University
Farida Rahmawati, Universitas Negeri Malang

Lecturer in Development Economics, Faculty of Economics and Business, State University of Malang

References

Afira, N., & Wijayanto, A. W. (2021). Analisis cluster dengan metode partitioning dan hierarki pada data informasi kemiskinan provinsi di Indonesia tahun 2019. Komputika: Jurnal Sistem Komputer, 10(2), 101–109. https://doi.org/10.34010/komputika.v10i2.4317

Alfiah, F., Almadayani, A., Al Farizi, D., & Widodo, E. (2021). Analisis clustering K-medoids berdasarkan indikator kemiskinan di Jawa Timur tahun 2020. Jurnal Ilmiah Sains, 22(1), 1–10. https://doi.org/10.35799/jis.v22i1.35911

Dewi, A. F., & Ahadiyah, K. (2022). Agglomerative hierarchy clustering pada penentuan kelompok kabupaten/kota di Jawa Timur berdasarkan indikator pendidikan. Zeta – Math Journal, 7(2), 57–63. https://doi.org/10.31102/zeta.2022.7.2.57-63

Durrofiq, I., & Akbarita, R. (2022). Algoritma K-means dalam mengelompokkan kota dan kabupaten di Jawa Timur berdasarkan indikator kesejahteraan rakyat. Jurnal Ilmiah Matematika, 9(2), 49–54.

Ekonomi, J., Ebismen, M., Rohmatulillah, O. N., Nirmala, K. B., & Wulandari, S. P. (2024). Analisis klaster pada faktor-faktor yang mempengaruhi indikator kesejahteraan sosial dan ekonomi di Provinsi Jawa Timur. Jurnal Ekonomi, 3(4), 307–325.

Indarti, S. H. (2017). Pembangunan Indonesia dalam pandangan Amartya Sen. The Indonesian Journal of Public Administration (IJPA), 3(1), 35–50. https://doi.org/10.52447/ijpa.v3i1.727

Kara, F. (2021). Comparison of tree diameter distributions in managed and unmanaged Kazdağı fir forests. Silva Balcanica, 22(1), 31–43. https://doi.org/10.3897/silvabalcanica.22.e58020

Karimah, A., Nur, I., Fitriana, L., & Universitas Terbuka. (2025). Pengelompokan provinsi di Indonesia berdasarkan indeks pembangunan literasi masyarakat 2023 menggunakan metode klaster hierarki dan non-hierarki. Jurnal Statistika, 2(1), 394–407.

Pratiwi, N. P. A., & Indrajaya, I. G. B. (2019). Pengaruh pertumbuhan ekonomi dan pengeluaran terhadap kesejahteraan masyarakat. Buletin Studi Ekonomi, 24(2), 220–233.

Pangke, I. N. P., Kumenaung, A. G., & Tumilaar, R. L. H. (2021). Efektivitas pemanfaatan dana desa terhadap kesejahteraan masyarakat di Kabupaten Sangihe (studi kasus Kecamatan Tamako). Jurnal EMBA, 9(2), 297–305.

Puspitasari, W. I. (2017). Faktor-faktor yang mempengaruhi migrasi tenaga kerja ke luar negeri berdasarkan provinsi di Indonesia. Jurnal Ilmu Ekonomi Terapan, 2(1), 44–55. https://doi.org/10.20473/jiet.v2i1.5505

Rahmawati, L., Sihwi, S. W., & Suryani, E. (2016). Analisa clustering menggunakan metode K-means dan hierarchical clustering. Jurnal Teknologi & Informasi ITSmart, 3(2), 66–73. https://doi.org/10.20961/its.v3i2.654

Roza, D., & Putra, G. T. P. S. (2019). Perundang-undangan untuk mewujudkan Indonesia. Jurnal Cendekia Hukum, 5(1), 12–20. https://doi.org/10.3376/jch.v5i1.185

Saputra, E. A., & Nataliani, Y. (2021). Analisis pengelompokan data nilai siswa untuk menentukan siswa berprestasi menggunakan metode clustering K-means. Journal of Information Systems and Informatics, 3(3), 424–439. https://doi.org/10.51519/journalisi.v3i3.164

Sibarani, R. (2018). Algoritma K-means clustering strategi pemasaran penerimaan mahasiswa baru Universitas Satya Negara Indonesia. Jurnal ALU, 1(2), 44–50.

Sriningsih, M., Hatidja, D., & Prang, J. D. (2018). Penanganan multikolinearitas dengan menggunakan analisis regresi komponen utama. Jurnal Ilmiah Sains, 18(1), 18–25. https://doi.org/10.35799/jis.18.1.2018.19396

Sultan, S., Rahayu, H. C., & Purwiyanta. (2023). Analisis pengaruh kesejahteraan masyarakat terhadap pertumbuhan ekonomi di Indonesia. Jurnal Informatika Ekonomi Bisnis, 5, 75–83. https://doi.org/10.37034/infeb.v5i1.198

Talakua, M. W., Leleury, Z. A., & Talluta, A. W. (2017). Analisis cluster menggunakan metode K-means pada indikator pembangunan manusia. Jurnal Ilmu Matematika dan Terapan, 11(2), 119–128.

Usna, W., & Aprilia, R. (2024). Comparison of agglomerative hierarchical clustering and K-means algorithm in poverty data clustering. Data Journal, 7(3), 489–500. https://doi.org/10.24042/djm

Wahyuni, I., & Wulandari, S. P. (2022). Pemetaan kabupaten/kota di Jawa Timur. Jurnal Sains dan Seni, 11(1), D70–D75.