Analisis Agglomerative Hierarchical Clustering dalam Pengelompokan Penyandang Disabilitas di Kota Bandung Tahun 2025
DOI:
https://doi.org/10.29313/bcss.v6i2.24443Keywords:
Agglomerative Hierarchical Clustering, Koefisien Korelasi Cophenetic, Dunn Index, Penyandang Disabilitas, Kota BandungAbstract
Abstract. Persons with disabilities are a population group that requires special attention in the formulation of public policy. Variation in the number of persons with disabilities across sub-districts (kecamatan) in Bandung City indicates the need for a regional grouping so that policies can be more precisely targeted. This study applies Agglomerative Hierarchical Clustering to group 30 sub-districts in Bandung City in 2025 based on six types of disability, namely physical, visual, hearing/speech, mental, physical-and-mental, and other disabilities. Data were obtained from the Bandung City Population and Civil Registration Office. The variables were standardized using the Z-score before the Euclidean Distance was calculated. Four linkage methods, Single Linkage, Complete Linkage, Average Linkage, and Ward's Method, were compared, and the Cophenetic Correlation Coefficient was used to select the best linkage method, followed by the Dunn Index to determine the optimal number of clusters. The results show that Average Linkage produced the highest Cophenetic Correlation Coefficient (0.8053), and the Dunn Index indicated that six clusters produced the best cluster quality (0.7641). The six clusters show distinct characteristics in the number of persons with disabilities, ranging from the lowest to the highest average. These results are expected to support the Bandung City Government in policy formulation, equitable services, and program prioritization for persons with disabilities.
Keywords: Agglomerative Hierarchical Clustering, Cophenetic Correlation Coefficient, Dunn Index, Disability, Bandung City.
Abstrak. Penyandang disabilitas merupakan kelompok masyarakat yang memerlukan perhatian dalam penyusunan kebijakan dan penyediaan pelayanan publik. Perbedaan karakteristik jumlah penyandang disabilitas pada setiap kecamatan di Kota Bandung menyebabkan perlunya pengelompokan wilayah agar kebijakan yang disusun dapat lebih tepat sasaran. Salah satu metode yang dapat digunakan adalah Agglomerative Hierarchical Clustering, namun hasil pengelompokan dipengaruhi oleh metode linkage yang digunakan. Penelitian ini bertujuan menentukan metode linkage terbaik menggunakan Koefisien Korelasi Cophenetic, kemudian menentukan jumlah klaster optimal menggunakan Dunn Index. Data yang digunakan adalah data jumlah penyandang disabilitas pada 30 kecamatan di Kota Bandung Tahun 2025 yang diperoleh dari Dinas Kependudukan dan Pencatatan Sipil Kota Bandung, dengan variabel Disabilitas Fisik, Disabilitas Netra/Buta, Disabilitas Rungu/Wicara, Disabilitas Mental/Jiwa, Disabilitas Fisik dan Mental, serta Disabilitas Lainnya. Analisis dilakukan dengan membandingkan empat metode linkage, kemudian Koefisien Korelasi Cophenetic digunakan untuk memilih metode terbaik dan Dunn Index digunakan untuk menentukan jumlah klaster optimal. Hasil penelitian menunjukkan bahwa metode Average Linkage merupakan metode terbaik dengan nilai Koefisien Korelasi Cophenetic sebesar 0,8053, dan jumlah klaster optimal yang diperoleh sebanyak 6 klaster dengan nilai Dunn Index sebesar 0,7641. Setiap klaster memiliki karakteristik jumlah penyandang disabilitas yang berbeda berdasarkan nilai rata-rata pada keenam variabel penelitian. Pengelompokan ini diharapkan dapat menjadi informasi pendukung bagi pemerintah dalam penyusunan kebijakan, pemerataan pelayanan, serta penentuan prioritas program bagi penyandang disabilitas di Kota Bandung.
Kata Kunci: Agglomerative Hierarchical Clustering, Koefisien Korelasi Cophenetic, Dunn Index, Penyandang Disabilitas, Kota Bandung.
References
Dunn, J. C. (1974). Well-separated clusters and optimal fuzzy partitions. Journal of Cybernetics, 4(1), 95–104.
Everitt, B. S., Landau, S., Leese, M., & Stahl, D. (2011). Cluster Analysis (5 ed.). John Wiley & Sons.
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate Data Analysis (7 ed.). Pearson Education.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3 ed.). Morgan Kaufmann.
Johnson, R. A., & Wichern, D. W. (2007). Applied Multivariate Statistical Analysis (6 ed.). Pearson Education.
Murtagh, F., & Contreras, P. (2012). Algorithms for hierarchical clustering: An overview. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2(1), 86–97. https://doi.org/10.1002/widm.53
Republik Indonesia. (2016). UU Nomor 8 Tahun 2016.
Sokal, R. R., & Rohlf, F. J. (1962). The comparison of dendrograms by objective methods. Taxon, 11(2), 33–40.
Tan, P.-N., Steinbach, M., Karpatne, A., & Kumar, V. (2019). Introduction to Data Mining (2nd Editio). Pearson Education.
