Pengelompokan Tingkat Kesejahteraan Kabupaten/Kota di Jawa Barat Tahun 2024 Menggunakan Metode K-Medoids
DOI:
https://doi.org/10.29313/bcss.v6i2.25831Keywords:
K-Medoids, Kesejahteraan Masyarakat, Jawa BaratAbstract
Abstract. Disparities in regional welfare across West Java Province require the classification of regions based on their socioeconomic characteristics to support more targeted development policies. This study aims to classify the 27 regencies and municipalities in West Java Province using three welfare indicators, namely Life Expectancy (LE), Mean Years of Schooling (MYS), and the Poverty Rate, through the K-Medoids clustering method. Prior to the clustering process, the data were standardized using the Z-score method, and a multicollinearity test was conducted to ensure that the variables were suitable for analysis. The optimal number of clusters was initially determined using the Silhouette Coefficient, which indicated the highest value at k = 2. However, based on substantive considerations of regional characteristics, four clusters were selected to better capture the diversity of welfare conditions across regions. The K-Medoids algorithm converged after nine iterations and produced four clusters with distinct characteristics. Cluster 1 represents regions with a moderate level of welfare, Cluster 2 consists of regions with relatively good welfare conditions, Cluster 3 comprises regions with comparatively lower welfare, characterized by lower life expectancy, lower mean years of schooling, and higher poverty rates, while Cluster 4 includes major urban areas with the highest level of welfare. The findings reveal substantial disparities in welfare among regions in West Java. Therefore, the resulting regional classification can serve as a valuable reference for policymakers in designing more effective and region-specific development strategies.
Abstrak. Ketimpangan tingkat kesejahteraan antarwilayah di Provinsi Jawa Barat memerlukan pengelompokan wilayah berdasarkan karakteristik sosial ekonomi sebagai dasar penyusunan kebijakan pembangunan yang lebih tepat sasaran. Penelitian ini bertujuan mengelompokkan 27 kabupaten/kota di Provinsi Jawa Barat berdasarkan tiga indikator kesejahteraan, yaitu Umur Harapan Hidup (UHH), Rata-rata Lama Sekolah (RLS), dan persentase penduduk miskin menggunakan metode K-Medoids. Sebelum proses pengelompokan, data distandarisasi menggunakan metode Z-score serta dilakukan uji multikolinearitas untuk memastikan variabel memenuhi asumsi analisis. Penentuan jumlah cluster dilakukan menggunakan Silhouette Coefficient, yang menunjukkan nilai tertinggi pada k = 2. Namun, berdasarkan pertimbangan substantif terhadap karakteristik wilayah, dipilih empat cluster agar mampu merepresentasikan variasi tingkat kesejahteraan secara lebih komprehensif. Hasil pengelompokan dengan metode K-Medoids yang konvergen setelah sembilan iterasi menghasilkan empat cluster dengan karakteristik yang berbeda. Cluster 1 merepresentasikan wilayah dengan tingkat kesejahteraan menengah, Cluster 2 menunjukkan tingkat kesejahteraan cukup baik, Cluster 3 didominasi wilayah dengan kesejahteraan relatif rendah yang ditandai oleh nilai UHH dan RLS yang lebih rendah serta tingkat kemiskinan yang lebih tinggi, sedangkan Cluster 4 terdiri atas wilayah dengan tingkat kesejahteraan tertinggi yang didominasi oleh kota-kota besar. Hasil penelitian menunjukkan adanya ketimpangan kesejahteraan antarwilayah di Provinsi Jawa Barat, sehingga hasil pengelompokan ini dapat menjadi dasar dalam penyusunan kebijakan pembangunan yang lebih efektif dan sesuai dengan karakteristik masing-masing wilayah.
References
Ayumna, F. S., & Sukardi, A. S. (2024). Pengaruh kemiskinan, pendidikan, dan kesehatan terhadap pertumbuhan ekonomi di Jawa Tengah pada era Ganjar Pranowo. Journal of Economics Research and Policy Studies, 4(1), 42–54. https://doi.org/10.53088/jerps.v4i1.787
Badan Pusat Statistik. (2024a). Indeks Pembangunan Manusia (IPM) Tahun 2024.
Badan Pusat Statistik. (2024b). Indikator Kesejahteraan Rakyat.
Badan Pusat Statistik. (2024c). Persentase Kemiskinan .
Daoud, J. I. (2017). Multicollinearity and Regression Analysis. Journal of Physics: Conference Series, 949, 012009. https://doi.org/10.1088/1742-6596/949/1/012009
Fauziah, V., & Suliadi. (2024). Pengelompokkan Desa di Jawa Barat Berdasarkan Variabel Penyusun Indeks Desa Membangun. Bandung Conference Series: Statistics, 4(1), 221–229. https://doi.org/10.29313/bcss.v4i1.11589
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. Morgan Kaufmann (Elsevier).
Mulia, R. A., & Putri, R. P. (2022). Pengaruh Tingkat Kemiskinan dan Produk Domestik Regional Bruto Terhadap Kesejahteraan Masyarakat. JIEE: Jurnal Ilmiah Ekotrans & Erudisi, 2(1), 2022–2044.
Rahmawati, T., Wilandari, Y., & Kartikasari, P. (2024). Analisis Perbandingan Silhouette Coefficient Dan Metode Elbow Pada Pengelompokkan Provinsi Di Indonesia Berdasarkan Indikator Ipm Dengan K-Medoids. Jurnal Gaussian, 13(1), 13–24. https://doi.org/10.14710/j.gauss.13.1.13-24
Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7
Sartika, E., Murniati, S., & Binarto, A. (2022). Analisis Cluster Hierarki Pada Persebaran Kasus Covid-19 Berdasarkan Provinsi Di Indonesia. PROSIDING SNAST, F26-35. https://doi.org/10.34151/prosidingsnast.v8i1.4210
Suryani, A. (2023). Pengaruh Kemiskinan Terhadap Pertumbuhan Ekonomi Di Provinsi Sumatera Selatan. Jurnal Riset Rumpun Ilmu Sosial, Politik Dan Humaniora, 2(1), 48–56. https://doi.org/10.55606/jurrish.v2i1.661
Todaro, M. P., & Smith, S. C. (2011). Pembangunan Ekonomi (Haris Munandar, Puji A.L, Devri Barnadi, Suryadi Saat, & Wibi Hardani, Eds.; 9th ed.). Erlangga.
Wulandari, E., & Nurhayati, S. (2024). Determinan Umur Harapan Hidup Di Indonesia. Jurnal Ekonomi Trisakti, 4(1), 217–224. https://doi.org/10.25105/jet.v4i1.18676
