Pengelompokkan Desa di Jawa Barat Berdasarkan Variabel Penyusun Indeks Desa Membangun
Abstract
Abstract. The development and improvement of the quality of life at the village level is a crucial aspect of a country's development. The Village Development Index (IDM) is one of the important indicators that describe the development of villages from various aspects. The IDM measurement contains three constituent indices, namely the Social Resilience Index (IKS), Economic Resilience Index (IKE), and Environmental Resilience Index (IKL). IDM data in 2023 for West Java Province have significant variations in the values of the three constituent indices. Therefore, a clustering method is required to determine groups consisting of several villages in West Java. The clustering method that is often used is the K-Means method, but K-Means has a weakness, which is sensitive to outliers. Therefore, K-Medoids is present to overcome these shortcomings. The results of research with the Silhouette method obtained the optimal number of clusters is as many as 2. So that clustering is carried out with a number of clusters of 2. The results of clustering with the K-Medoids method were: (1) Cluster 1 had an average values of IKS, IKE, and IKL variables that were below the population average. So that cluster 1 had a lower IDM value category compared to cluster 2. (2) Cluster 2 had an average values of the IKS, IKE, and IKL variables that are above the population average. Therefore, cluster 2 has a higher IDM category than cluster 1.
Abstrak. Pembangunan dan peningkatan kualitas kehidupan di tingkat desa merupakan aspek krusial dalam pembangunan suatu negara. Indeks Desa Membangun (IDM) menjadi salah satu indikator penting yang menggambarkan perkembangan desa dari berbagai aspek. Pengukuran IDM memuat tiga indeks penyusun, yakni Indeks Ketahanan Sosial (IKS), Indeks Ketahanan Ekonomi (IKE), dan Indeks Ketahanan Lingkungan (IKL). Berdasarkan data IDM tahun 2023, terlihat bahwa desa-desa di Provinsi Jawa Barat memiliki variasi nilai yang cukup signifikan dalam ketiga indeks penyusunnya. Untuk itu, diperlukan metode klasterisasi untuk menentukan kelompok yang terdiri dari beberapa desa di Jawa Barat. Metode klastering yang sering digunakan adalah metode K-Means Namun K-Means memiliki kelemahan, yaitu sensitif terhadap outlier. Maka dari itu, K-Medoids hadir untuk mengatasi kekurangan tersebut. Adapun hasil penelitian dengan metode Silhouette diperoleh jumlah klaster optimal adalah sebanyak 2. Sehingga klasterisasi dilakukan dengan jumlah klaster sebanyak 2. Hasil klasterisasi dengan metode K-Medoids adalah : (1) Klaster 1 memiliki nilai rata-rata untuk variabel IKS, IKE, dan IKL yang berada di bawah rata-rata populasi. Sehingga klaster 1 memiliki kategori nilai IDM yang lebih rendah dibandingkan dengan klaster 2. (2) Klaster 2 memiliki nilai rata-rata untuk variabel IKS, IKE, dan IKL yang berada di atas rata-rata populasi. Sehingga klaster 2 memiliki kategori IDM yang lebih tinggi dibandingkan dengan klaster 1.
References
KDPDTT. (2023). IDM (Online). (https://idm.kemendesa.go.id/view/detil/6/faq, diakses 6 Januari 2023).
Tan, P.N., Steinbach, M., Kumar, V. (2006) Introduction to Data Mining. Boston : Pearson Education.
Han, J., Kamber, M., dan Pei, J. (2012). Data mining concepts and techniques third edition. University of Illinois at Urbana-Champaign Micheline Kamber Jian Pei Simon Fraser University..
Santoso, S. (2010). Statistik Multivariat. Jakarta: Elex Media Komputindo
Mohemad, R., Muhait, N. N. M., Noor, N. M. M., & Othman, Z. A. (2022). Performance analysis in text clustering using k-means and k-medoids algorithms for Malay crime documents. International Journal of Electrical and Computer Engineering (IJECE), 12(5), 5014-5026.
Park, H. S., & Jun, C. H. (2009). A simple and fast algorithm for K-medoids clustering. Expert systems with applications, 36(2), 3336-3341.
Soni, K. G., & Patel, A. (2017). Comparative Analysis of K-means and K-medoids Algorithm on IRIS Data. International Journal of Computational Intelligence Research, 13(5), 899-906.
Fitriyani, E. N., & Achmad, A. I. (2023, July). Penerapan Analisis K-Medoids Cluster untuk Mengelompokkan Wilayah di Provinsi Jawa Barat Berdasarkan Fasilitas Kesehatan Tahun 2021. In Bandung Conference Series: Statistics (Vol. 3, No. 2, pp. 283-293).
Mingyung, L., Seoghun, L., Jaehwa, P., & Seongwon, S. (2020). Clustering and Characterization of the Lactation Curves of Dairy Cows Using K-Medoids Clustering Algorithm. Animals.
Sartono, B., Bodro, D., & Dito, G. (2020). Teknik Eksplorasi Data yang Harus Dikuasai Data Scientist.. Bogor: IPB Press.
Everitt, B. S., S. Landau, M. Leese and D. Stahl (2011). Cluster Analysis. 5th Edition. John Wiley & Sons.
Khofifah, H. N. (2022). Robust Spatial Durbin Model (RSDM) untuk Pemodelan Tingkat Pengangguran Terbuka (TPT) di Provinsi Jawa Barat. Jurnal Riset Statistika, 1(2), 135–142. https://doi.org/10.29313/jrs.v1i2.522
Oktoriandi, D. (2022). Penerapan uji Q Cochran terhadap Atribut Produk Laptop Menggunakan Multiple Response Analysis (MRA). Jurnal Riset Statistika, 1(2), 127–134. https://doi.org/10.29313/jrs.v1i2.521
Sahwa Chanigia Viqri, Z., & Kurniati, E. (2023). Perbandingan Penerapan Metode Fuzzy Time Series Model Chen-Hsu dan Model Lee dalam Memprediksi Kurs Rupiah terhadap Dolar Amerika. 1(1), 19–26. https://doi.org/10.29313/datamath.v1i1.12
