Analisis Clustering K-Medoids Berdasarkan Indikator Kemiskinan di Jawa Timur Tahun 2020
DOI:
https://doi.org/10.35799/jis.v22i1.35911Keywords:
Clustering, East Java, K-Medoids, povertyAbstract
 Keberadaan pandemi COVID-19 di Indonesia, mengakibatkan kemiskinan di Indonesia semakin tinggi terutama di Jawa Timur yang menjadi satu diantara provinsi lain dengan kasus COVID-19 tinggi di Indonesia. Tujuan penelitian ini yaitu mengetahui pengelompokan kabupaten/kota di Jawa Timur yang mempunyai kesamaan karakteristik berdasarkan indikator kemiskinan tahun 2020. Penelitian ini menggunakan data yang didapatkan dari Badan Pusat Statistik. Metode yang digunakan ialah metode k-medoids clustering yang merupakan metode partisi clustering guna pengelompokan n objek ke dalam k cluster. Berdasarkan hasil penelitian, diperoleh pengelompokan karakteristik masing-masing cluster yang dibentuk berdasarkan nilai indikator kemiskinan di Jawa Timur tahun 2020 sebanyak 2 cluster. Dimana 30 kabupaten/kota pada cluster 1 dan dan 8 kabupaten/kota pada cluster 2. Cluster 1 memiliki karakteristik Persentase Rumah Tangga yang Mempunyai Sanitasi Layak, Angka Harapan Hidup, dan Persentase Angka Melek Huruf Umur 15-55 Th tinggi. Sedangkan cluster 2 memiliki karakteristik Persentase Rumah Tangga Miskin Penerima Raskin, Persentase Penduduk Miskin, dan Persentase Pengeluaran Perkapita untuk Makanan dengan Status Miskin tinggi.
 Kata kunci: Clustering; Jawa Timur; K-medoids; kemiskinan
 K-Medoids Clustering Analysis Based on Poverty Indicators in East Java in 2020
 ABSTRACT
The existence of the pandemic COVID-19 in Indonesia has resulted in higher poverty in Indonesia, especially in East Java, which is one of the other provinces with high cases in Indonesia. The purpose of this study is to find out the grouping of regencies/cities in East Java that have similar characteristics based on the poverty indicators in 2020. This study uses data obtained from the Badan Pusat Statistik. The method used is k-medoids clustering method which is a clustering partition method for grouping n objects into k clusters. Based on the results of the study, it was found that the grouping of the characteristics of each cluster formed based on the value of the poverty indicator in East Java in 2020 was 2 clusters. Where 30 regencies/cities in cluster 1 and and 8 regencies/cities in cluster 2. Cluster 1 has the characteristics of the percentage of households that have proper sanitation, life expectancy, and a high percentage of literacy rates aged 15-55 years. While cluster 2 has the characteristics of the percentage of poor households receiving Raskin, the percentage of poor people, and the percentage of per capita expenditure on food with high poor status.
Keywords: Clustering; East Java; K-Medoids; poverty
References
Anggara, M., Sujiani, H. & Nasution, H. 2016. Pemilihan Distance Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness. Jurnal Sistem dan Teknologi Informasi (JUSTIN), 1(1): 1-6.
Aurora, P., Deepali & Varshney, S., 2016. Analysis of K-means an K-Medoids Algorithm for Big Data. Procedia Computer Science, 78: 507-512.
Dewi, D.A.I.C. & Pramita, D.A.K. 2019. Analisis Perbandingan Metode Elbow Dan Sillhouette Pada Algoritma Clustering K-Medoids Dalam Pengelompokkan Produksi Kerajinan Bali. Jurnal Matrix, 9(3): 102-109.
Farissa, R.A., Mayasari, R. & Umaidah, Y. 2021. Perbandingan Algoritma K-Means dan K-Medoids Untuk Pengelompokkan Data Obat dengan Silhouette Coefficient. Journal of Applied Informatics and Computing (JAIC), 5(2): 109-116.
Febianto, N.I. & Palasara, D.N. 2019. Analisis Clustering K-Means Pada Data Informasi Kemiskinan di Jawa barat Tahun 2018. SISFOKOM, 8(2): 130-139.
Han, J. & Kamber, M. 2017. Data Mining, Concept and Techniques. Morgan Kauffman Publisher, Waltham.
Hendayanti, N.P.N. & Nurhidayati, M. 2021. Klasifikasi Tingkat Keparahan Kemiskinan Provinsi di Indonesia. Jurnal Matematika dan Pendidikan Matematika, 5(1): 14-21.
Mahmudan, A. 2020. Clustering of District or City in Central Java Based COVID-19 Case Using K-Means Clustering. Jurnal Matematika, Statistika, & Komputasi (JMSK), 17(1): 1-13.
Ningrat, D.R., Maruddani, D.A.I. & Wuryandari, T. 2016. Analisis Cluster dengan Algoritma K-Means dan Fuzzy C-Means Clustering untuk Pengelompokan Data Obligasi Korporasi. Jurnal Gaussian, 5(4): 641-650.
Setyawati, A.W. 2017. Implementasi Algorit-ma Partitioning Around Medoid (PAM) untuk Pengelompokkan Sekolah Menengah Atas di DIY Berdasarkan Nilai Daya Serap Ujian Nasional [Skripsi]. Fakultas Sains dan Teknologi, Universitas Sanata Darma, Yogyakarta.
Vercillis, C. 2009. Business Intelligence, Data Mining and Optimization for Desicion Making. Wiley, Milan.
Wahyudi, D., Handrizal, H & Wanto, A. 2019. Mengelompokkan Garis Kemiskinan Menurut Provinsi Menggunakan Algoritma K-Medoids. Prosiding Seminar Nasional Riset Informasi Sains (SENARIS): 452-461.
Wijayanto. 2021. Dampak Pandemi Covid-19, Penduduk Miskin di Jatim Meningkat. [Online] Availabl at: https://radarsurabaya. jawapos.com /read/2021/03/30/250918/dampak-pandemi-covid-19-penduduk-miskin-di-jatim-meningkat
Wira, B., Budianto, A.E. & Wiguna, A.S. 2019. Implementasi Metode K-Medoids Clustering Mengetahui Pola Pemilihan Program Studi Mahasiswa Baru Tahun 2018 di Universitas Kanjuruhan Malang. Jurnal Terapan Sains & Teknologi, 1(3): 54-69.
Wulandary, F.H. 2015. Pengaruh Pertumbu-han Ekonomi Inflasi, Pengangguran, dan Pendidikan Terhadap Kemiskinan Provinsi di Indonesia Tahun 2008-2012 [Skripsi]. Universitas Atma Jaya, Yogyakarta.
Downloads
Additional Files
Published
How to Cite
Issue
Section
License
Copyright (c) 2021 Febiyanti Alfiah, Almadayani Almadayani, Danial Al Farizi, Edy Widodo
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
LICENCE: CC-BY-NC
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
