Klasifikasi Provinsi di Indonesia Berdasarkan IPM 2025 Menggunakan K-Medoids Clustering
DOI:
https://doi.org/10.29313/bcss.v6i2.24814Keywords:
Data Mining, Indeks Pembangunan Manusia, K-Medoids ClusteringAbstract
Abstract. The rapid development of information technology and the availability of large-scale data have encouraged the application of analytical methods to better understand social conditions and human development. This study aims to classify the provinces of Indonesia based on the 2025 Human Development Index (HDI) indicators using the K-Medoids Clustering method. Secondary data obtained from Statistics Indonesia (Badan Pusat Statistik) include four variables: Life Expectancy at Birth (LEB), Mean Years of Schooling (MYS), Expected Years of Schooling (EYS), and Adjusted Per Capita Expenditure (APCE). The analysis involved data preprocessing, including missing value detection, outlier identification using the Z-Score method, data standardization. The results showed no missing values or multicollinearity, although several outliers were identified. Based on the highest silhouette coefficient (0.263), three optimal clusters were obtained: a good cluster (5 provinces), a moderate cluster (16 provinces), and a poor cluster (17 provinces). These clustering results can serve as a reference for formulating more targeted regional development policies to improve equity in education, health, and community welfare across Indonesia.
Abstrak. Perkembangan teknologi informasi dan ketersediaan data dalam skala besar mendorong penerapan berbagai metode analisis untuk memahami kondisi sosial dan pembangunan manusia. Penelitian ini bertujuan mengelompokkan provinsi di Indonesia berdasarkan indikator Indeks Pembangunan Manusia (IPM) tahun 2025 menggunakan metode K-Medoids Clustering. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik yang meliputi Usia Harapan Hidup (UHH), Rata-Rata Lama Sekolah (RRLS), Harapan Lama Sekolah (HLS), dan Pengeluaran Per Kapita yang Disesuaikan (PPKD). Tahapan analisis meliputi pemeriksaan missing value, penanganan outlier menggunakan metode Z-Score, standarisasi data. Hasil penelitian menunjukkan tidak terdapat missing value maupun multikolinearitas, meskipun ditemukan beberapa outlier. Berdasarkan nilai silhouette coefficient tertinggi sebesar 0,263, diperoleh tiga cluster optimal, yaitu cluster baik (5 provinsi), cluster cukup (16 provinsi), dan cluster kurang baik (17 provinsi). Hasil pengelompokan ini diharapkan menjadi acuan dalam penyusunan kebijakan pembangunan daerah yang lebih tepat sasaran guna meningkatkan pemerataan pendidikan, kesehatan, dan kesejahteraan masyarakat di Indonesia.
References
Aselnino, P., & Wijayanto, A. W. (2023). Analisis Perbandingan Metode Hierarchical dan Non-Hierarchical dalam Pembentukan Cluster Provinsi di Indonesia Berdasarkan Indikator Women Empowerment. 6(1), 57–68. https://doi.org/10.13057/ijas.v6i1.68876
Badan Pusat Statistik. (2025). Indeks Pembangunan Manusia 2025.
Dyaherawati, O., & Martha, S. (2025). Penerapan Algoritma K-Medoids Dengan Optimasi Gap Statistics. Buletin Ilmiah Matematika, Statistika Dan Terapannya, 14(1), 103–112.
Gao, S., Meng, F., Gu, Z., Liu, Z., & Farrukh, M. (2021). Mapping and Clustering Analysis on Environmental , Social and Governance Field a Bibliometric Analysis Using Scopus. https://doi.org/10.3390/su13137304
Hani, N. A., Syafitri, N. A., & Azzahra, R. (2025). Peran Human Capital dalam Pertumbuhan Ekonomi di Indonesia , Sebuah Analisis Deskriptif. 5. https://doi.org/10.55606/cemerlang.v5i1.3439
Putri, R., Hasibuan, N., Paulo, J., Sinaga, N., Sinaga, H. I., Tampubolon, K. R., Sihombing, D., & Triansyah, F. A. (2025). Analisis Kondisi Perekonomian Indonesia 2020-2024. 3(September). https://doi.org/10.61132/rimba.v3i4.2290
Rahmah, E., Haerani, E., Nazir, A., & Ramadhani, S. (2022). Penerapan Algoritma K-Medoids Clustering Untuk Menentukan Srategi Promosi Pada Data Mahasiswa ( Studi Kasus : Stikes Perintis Padang ). 5(3), 556–564. https://doi.org/10.32672/jnkti.v5i3.4355
Simbolon, I. N., & Friskila, P. D. (2024). Analisis Dan Evaluasi Algoritma Dbscan Spatial Clustering Of Applications With Noise ) Pada Tuberkulosis. 12(3). https://doi.org/10.23960/jitet.v12i3S1.5206
Ultsch, A., & Lötsch, J. (2022). Euclidean distance ‑ optimized data transformation for cluster analysis in biomedical data ( EDOtrans ). BMC Bioinformatics, 1–18. https://doi.org/10.1186/s12859-022-04769-w
Yulianti, Y., & Qomariah, S. (2025). Indeks Pembangunan Manusia Ilmu Pengetahuan. 5. https://doi.org/10.55606/cendekia.v5i1.3512
