Pengelompokan Kabupaten/Kota di Pulau Jawa Berdasarkan Indikator Kesejahteraan Rakyat Menggunakan Fuzzy C-Means
DOI:
https://doi.org/10.29313/bcss.v6i2.24779Keywords:
Fuzzy C-Means, Modified Partition Coefficient, Kesejahteraan RakyatAbstract
Abstract.Regencies and cities in Java exhibit diverse public welfare characteristics, making regional clustering necessary to identify areas with similar public welfare characteristics. This study aims to cluster regencies and cities in Java based on public welfare indicators in 2024 using the Fuzzy C-Means (FCM) method and to evaluate the clustering quality using the Modified Partition Coefficient (MPC). This study uses secondary data covering 119 regencies and cities in Java based on eight public welfare indicators. The analysis stages include Exploratory Data Analysis (EDA), data standardization using the z-score method, clustering using FCM, selecting the best clustering result based on the MPC value, and interpreting the characteristics of each cluster. The results show that the best clustering result consists of two clusters with an MPC value of 0.70169, indicating good clustering quality. The first cluster consists of 38 regencies and cities with a better level of public welfare, while the second cluster consists of 81 regencies and cities with a lower level of public welfare. The clustering results are expected to serve as supporting information for the formulation of development policies tailored to the characteristics of each region.
Abstrak.Kabupaten/kota di Pulau Jawa memiliki karakteristik kesejahteraan rakyat yang beragam sehingga diperlukan pengelompokan wilayah untuk mengidentifikasi daerah yang memiliki karakteristik kesejahteraan yang serupa. Penelitian ini bertujuan mengelompokkan kabupaten/kota di Pulau Jawa berdasarkan indikator kesejahteraan rakyat tahun 2024 menggunakan metode Fuzzy C-Means (FCM) serta mengevaluasi kualitas hasil pengelompokan menggunakan Modified Partition Coefficient (MPC). Penelitian ini menggunakan data sekunder yang mencakup 119 kabupaten/kota di Pulau Jawa dengan delapan indikator kesejahteraan rakyat. Tahapan analisis meliputi Exploratory Data Analysis (EDA), standarisasi data menggunakan metode z-score, proses clustering menggunakan FCM, pemilihan hasil pengelompokan terbaik berdasarkan nilai MPC, serta interpretasi karakteristik setiap klaster. Hasil penelitian menunjukkan bahwa pengelompokan terbaik menghasilkan dua klaster dengan nilai MPC sebesar 0,70169, yang menunjukkan kualitas pengelompokan yang baik. Klaster pertama terdiri atas 38 kabupaten/kota dengan tingkat kesejahteraan yang lebih baik, sedangkan klaster kedua terdiri atas 81 kabupaten/kota dengan tingkat kesejahteraan yang lebih rendah. Hasil pengelompokan ini diharapkan dapat menjadi bahan pertimbangan dalam penyusunan kebijakan pembangunan yang disesuaikan dengan karakteristik masing-masing wilayah.
References
Aselnino, P., & Wijayanto, A. W. (2023). Analisis perbandingan metode hierarchical dan non-hierarchical dalam pembentukan cluster provinsi di Indonesia berdasarkan indikator women empowerment. Indonesian Journal of Applied Statistics, 6(1), 57–68. https://doi.org/https://doi.org/10.13057/ijas.v6i1.68876
Badan Pusat Statistik. (2024a). Ekonomi Indonesia Triwulan II-2024 Tumbuh 3,79 Persen (Q-to-Q), Ekonomi Indonesia Triwulan II-2024 Tumbuh 5,05 Persen (Y-on-Y), dan Ekonomi Indonesia Semester I-2024 Tumbuh 5,08 Persen (C-to-C). https://www.bps.go.id/id/pressrelease/2024/08/05/2381/ekonomi-indonesia-triwulan-ii-2024-tumbuh-3-79-persen--q-to-q---ekonomi-indonesia-triwulan-ii-2024-tumbuh-5-05-persen--y-on-y---dan-ekonomi-indonesia-semester-i-2024-tumbuh-5-08-persen--c-to-c-.html
Badan Pusat Statistik. (2024b). Indikator Kesejahteraan Rakyat 2024 (Vol. 53). Badan Pusat Statistik Indonesia.
Bahtiyar, R., Lestanti, S., & Nur Budiman, S. (2023). Penerapan Metode Fuzzy C-Means Clustering Untuk Pengelompokan Kabupaten Di Jawa Timur Berdasarkan Indikator Kesejahteraan Rakyat. JATI (Jurnal Mahasiswa Teknik Informatika), 7(5), 3701–3710. https://doi.org/https://doi.org/10.36040/jati.v7i5.7812
Bezdek, J. C., Ehrlich, R., & Full, W. (1984). FCM: The fuzzy c-means clustering algorithm. Computers & Geosciences, 10(2), 191–203. https://doi.org/https://doi.org/10.1016/0098-3004(84)90020-7
CNN Indonesia. (2024). Daftar 15 Provinsi dengan Penduduk Miskin Terbanyak, Jatim Tertinggi. https://www.cnnindonesia.com/ekonomi/20240701161042-532-1116298/daftar-15-provinsi-dengan-penduduk-miskin-terbanyak-jatim-tertinggi
Dwitiyanti, N., Selvia, N., & Andrari, F. (2019). Penerapan Fuzzy C-Means Cluster dalam Pengelompokkan Provinsi Indonesia Menurut Indikator Kesejahteraan Rakyat. Faktor Exacta, 12, 201. https://doi.org/10.30998/faktorexacta.v12i3.4526
Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques (Third). Morgan Kaufmann Publishers.
Huang, M., Xia, Z., Wang, H., Zeng, Q., & Wang, Q. (2012). The range of the value for the fuzzifier of the fuzzy c-means algorithm. Pattern Recognition Letters, 33(16), 2280–2284. https://doi.org/https://doi.org/10.1016/j.patrec.2012.08.014
Kusumadewi, S., & Purnomo, H. (2010). Aplikasi logika fuzzy untuk pendukung keputusan (Edisi ke-2) (2nd ed.). Graha Ilmu.
Latifah, U. W., Sugiyarto, & Suparman. (2022). K-means and fuzzy c-means algorithm comparison on regency/city grouping in Central Java Province. Desimal: Jurnal Matematika, 5(2), 155–168. https://doi.org/https://doi.org/10.24042/djm.v5i2.12204
Wahyono, A. (2015). Klastering siswa sekolah menengah kejuruan (SMK) menggunakan metode fuzzy c-means. Institut Teknologi Sepuluh Nopember.
