Perbandingan Metode K-Means dan OPTICS dalam Penggerombolan Kemiskinan Multidimensi di Indonesia


Devi Permata Sari(1*), Tasya Anisah Rizqi(2), Anwar Fitrianto(3), Erfiani M.S(4), L.M. Risman Dwi Jumansyah(5)

(1) IPB University, Indonesia
(2) IPB University, Indonesia
(3) IPB University, Indonesia
(4) IPB University, Indonesia
(5) IPB University, Indonesia
(*) Corresponding Author

Abstract


Kemiskinan multidimensi tetap menjadi tantangan serius di Indonesia meskipun telah mengalami penurunan dalam beberapa tahun terakhir. Penelitian ini bertujuan menganalisis dan membandingkan pola kemiskinan multidimensi di 34 provinsi Indonesia menggunakan metode K-Means dan OPTICS Clustering. Data kemiskinan multidimensi yang digunakan mencakup aspek ekonomi, pendidikan, ketenagakerjaan, dan standar hidup dari Badan Pusat Statistik. Analisis statistik deskriptif mengungkapkan kesenjangan signifikan antar provinsi dalam berbagai dimensi kemiskinan, dengan korelasi tertinggi sebesar 0,4 antara dimensi pendidikan dan status ketenagakerjaan. K-Means Clustering mengidentifikasi 5 cluster provinsi dengan karakteristik beragam, menunjukkan adanya trade-off antara akses fasilitas dan tingkat kemiskinan. Sementara itu, OPTICS Clustering menghasilkan 2 cluster utama, dengan cluster 1 terdiri dari 24 provinsi yang memiliki kondisi cenderung homogen dan cluster 2 terdiri dari 7 provinsi dengan karakteristik yang berbeda secara signifikan. Perbandingan performa menunjukkan OPTICS unggul dengan nilai Silhouette Index dan WCSS yang lebih baik dibandingkan K-Means. Temuan ini memberikan kontribusi penting dalam analisis kemiskinan multidimensi di Indonesia dan dapat dimanfaatkan untuk merancang program pengentasan kemiskinan yang lebih terlokalisasi sesuai karakteristik masing-masing cluster.

Keywords


Kemiskinan multidimensi, Clustering, K-Means, OPTICS, Analisis regional, Pengentasan kemiskinan

References


M. A. Rahman, N. S. Sani, R. Hamdan, Z. A. Othman, and A. A. Bakar, “A clustering approach to identify multidimensional poverty indicators for the bottom 40 percent group,” PLoS One, vol. 16, no. 8 August, pp. 1–25, 2021, doi: 10.1371/journal.pone.0255312.

O. Hall, F. Dompae, I. Wahab, and F. M. Dzanku, “A review of machine learning and satellite imagery for poverty prediction: Implications for development research and applications,” J. Int. Dev., vol. 35, no. 7, pp. 1753–1768, 2023, doi: 10.1002/jid.3751.

M. A. Ahmed, H. Baharin, and P. N. E. Nohuddin, “Analysis of K-means, DBSCAN and OPTICS Cluster algorithms on Al-Quran verses,” Int. J. Adv. Comput. Sci. Appl., vol. 11, no. 8, pp. 248–254, 2020, doi: 10.14569/IJACSA.2020.0110832.

E. Cesario, P. Lindia, and A. Vinci, “Detecting Multi-Density Urban Hotspots in a Smart City: Approaches, Challenges and Applications,” Big Data Cogn. Comput., vol. 7, no. 1, 2023, doi: 10.3390/bdcc7010029.

S. Annas, B. Poerwanto, S. Sapriani, and M. F. S, “Implementation of K-Means Clustering on Poverty Indicators in Indonesia,” MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 2, pp. 257–266, 2022, doi: 10.30812/matrik.v21i2.1289.

D. Widyadhana, R. B. Hastuti, I. Kharisudin, and F. Fauzi, “Perbandingan Analisis Klaster K-Means dan Average Linkage untuk Pengklasteran Kemiskinan di Provinsi Jawa Tengah,” Prism. Pros. Semin. Nas. Mat., vol. 4, no. 2, pp. 584–594, 2021.

B. N. Ruchjana, H. Khoirunnisa, I. Irianingsih, and B. Suhandi, “Perbandingan Penerapan Metode Agglomerative dengan Metode K-Means pada Data Curah Hujan di Wilayah Bogor,” Kubik J. Publ. Ilm. Mat., vol. 5, no. 2, pp. 71–82, 2020, doi: 10.15575/kubik.v5i2.7581.

N. Ulinnuha and J. G. Indriyani, “Ekstraksi Topik Pantun di Twitter Menggunakan K-Means Clustering,” KUBIK J. Publ. Ilm. Mat., vol. 8, no. 1, pp. 24–34, 2023, doi: 10.15575/kubik.v8i1.29191.

M. Mollaian, G. D. ˝o, and A. Palazoglu, “Performing Multi-Objective Optimization Alongside,” Processes, vol. 10, no. 893, pp. 1–22, 2022.

D. Arsene, A. Predescu, C. O. Truică, E. S. Apostol, and M. Mocanu, “Decision Support Strategies for Household Water Consumption Behaviors Based on Advanced Recommender Systems,” Water (Switzerland), vol. 15, no. 14, 2023, doi: 10.3390/w15142550.

C. Willmes et al., “State of the art in paleoenvironment mapping for modeling applications in archeology—summary, conclusions, and future directions from the paleomaps workshop,” Quaternary, vol. 3, no. 2, 2020, doi: 10.3390/quat3020013.

A. Ghosal, A. Nandy, A. K. Das, S. Goswami, and M. Panday, A Short Review on Different Clustering Techniques and Their Applications, vol. 937. Springer Singapore, 2020. doi: 10.1007/978-981-13-7403-6_9.

BPS, “Persentase Penduduk Miskin Maret 2024 turun menjadi 9,03 persen,” Badan Pusat Statistik. [Online]. Available: https://www.bps.go.id/id/pressrelease/2024/07/01/2370/persentase-penduduk-miskin-maret-2024-turun-menjadi-9-03-persen-.html

A. Sarjito, “Efektivitas Kebijakan Sosial dalam Mengurangi Ketimpangan Pendapatan dan Angka Kemiskinan,” J. Ilmu Sos. Polit. dan Hum., vol. 6, no. 2, pp. 1–12, 2024, doi: 10.36624/jisora.v6i2.90.

T. Prakarsa, “Laporan Indeks Kemiskinan Multidimensi PRAKARSA Mendapat Apresiasi Para Pihak,” The Prakarsa. Accessed: Sep. 19, 2024. [Online]. Available: https://theprakarsa.org/laporan-indeks-kemiskinan-multidimensi-prakarsa-mendapat-apresiasi-para-pihak/

C. P. Kasih, “Kemiskinan Struktural: Membongkar Akar Masalah dan Pilihan Solusi,” CUPK. Accessed: Sep. 09, 2024. [Online]. Available: https://cupk.org/kemiskinan-struktural-membongkar-akar-masalah-dan-pilihan-solusi/

A. Wahab and Sudirman, “Persoalan Kemiskinan Perkotaan,” J. Pendidik. Sej. dan Ris. Sos. Hum., vol. 6, no. 1, pp. 230–238, 2023.

B. Sumargo and N. M. M. Simanjuntak, “Deprivasi Utama Kemiskinan Multidimensi Antarprovinsi di Indonesia,” J. Ekon. dan Pembang. Indones., vol. 19, no. 2, pp. 160–172, 2019, doi: 10.21002/jepi.2019.10.

K. Gomonov, S. Ratner, I. Lazanyuk, and S. Revinova, “Clustering of EU countries by the level of circular economy: An object‐oriented approach,” Sustain., vol. 13, no. 13, pp. 1–20, 2021, doi: 10.3390/su13137158.

N. L. Made Ariasih and N. N. Yuliarmi, “Pengaruh Tingkat Pendidikan, Tingkat Kesehatan dan Pengangguran Terbuka Terhadap Tingkat Kemiskinan di Provinsi Bali,” Cerdika J. Ilm. Indones., vol. 1, no. 7, pp. 821–839, 2021, doi: 10.59141/cerdika.v1i7.131.

A. Wardhana, B. Kharisma, and D. S. Sulandari, “Belanja Pemerintah dan Peningkatan Sumber Daya Manusia di Indonesia,” J. Ecodemica J. Ekon. Manaj. dan Bisnis, vol. 5, no. 2, pp. 139–151, 2021, doi: 10.31294/eco.v5i2.10168.

Deris Desmawan, R. N. Ramdani, Y. A. Mauralifta, S. Wirantara, and N. E. Handayani, “Pengaruh Kemiskinan Terhadap Pertumbuhan Ekonomi di Provinsi Banten,” INFORMATIKA, vol. 12, no. 2, pp. 208–215, 2024.

R. Firdausi, M. Albar, and M. K. Huda, “Peningkatan Kualitas Hidup Masyarakat Desa Sukoraharjo Melalui Edukasi Kesehatan Dan Sanitasi,” Elit. J. Edukasi Literasi Masy., vol. 1, no. 1, pp. 39–43, 2024.

M. Yunus, A. Saefuddin, and A. M. Soleh, “Pemodelan Statistical Downscaling Dengan Lasso Dan Group Lasso Untuk Pendugaan Curah Hujan,” Indones. J. Stat. Its Appl., vol. 4, no. 4, pp. 649–660, 2020, doi: 10.29244/ijsa.v4i4.724.




DOI: https://doi.org/10.15575/kubik.v9i2.39877

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Devi Permata Sari

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.


Journal KUBIK: Jurnal Publikasi Ilmiah Matematika has indexed by:

SINTA DOAJ Dimensions Google Scholar Garuda Moraref DOI Crossref

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.