KOMPARASI ALGORITMA K-MEANS DAN K-MEDOIDS UNTUK KLASTERISASI PROVINSI DI INDONESIA PADA TINGKAT KEMISKINAN

• FASYADIVA PUTRIANDI
• 2024

---

Penelitian ini membandingkan kinerja algoritma K-Means dan K-Medoids dalam mengidentifikasi pola kemiskinan antar provinsi di Indonesia. Data kemiskinan dari Badan Pusat Statistik pada tahun 2023 di-clustering menggunakan kedua algoritma. Hasil evaluasi menggunakan Davies-Bouldin Index menunjukkan bahwa K-Medoids
dengan tiga klaster (K3) lebih efektif dalam mengelompokkan provinsi berdasarkan tingkat kemiskinan dibandingkan K-Means. Temuan ini mengindikasikan adanya perbedaan karakteristik kelompok miskin yang teridentifikasi oleh masing-masing algoritma.Identifikasi pola kemiskinan antar provinsi di Indonesia menjadi tujuan dalam menggunakan algoritma clustering K-Means serta K-Medoids. Sumber data terkait berasal dari Badan Pusat Statistik dianalisis untuk membentuk kelompok provinsi berdasarkan tingkat kemiskinannya. Nilai Davies-Bouldin Index (DBI) diterapkan sebagai pengukur kualitas klaster yang berlaku, bahwa pada penerapan metode K-Means K4 cenderung efektif dengan nilai DBI 0.768 dan K-Medoids K3 lebih efektif dengan nilai DBI 0.732. Berdasarkan perbandingan nilai DBI, sehingga mengelompokkan kemiskinan dalam kelompok untuk algortima K-Means dapat di bentuk kelompok kemiskinan sangat tinggi di 5 Provinsi, kemiskinan tinggi di 15 provinsi, kemiskinan sedang di 11 provinsi dan kemiskinan rendah di 3 provinsi sedangan K-Medoids mengelompokkan kemiskinan tinggi 1 provinsi, kemiskinan sedang di 4 provinsi dan kemiskinan rendah di 29 provinsi.

• Kemiskinan
• Klasterisasi
• K-Means
• K-Medoids
• Rapidminer

https://repository.bsi.ac.id/repo/52346/KOMPARASI-ALGORITMA-K-MEANS-DAN-K-MEDOIDS-UNTUK-KLASTERISASI-PROVINSI-DI-INDONESIA-PADA-TINGKAT-KEMISKINAN
File full-text dikunci.