Penerapan Algoritma K-Means Clustering Untuk Segmentasi Wilayah Berdasarkan Indikator Ekonomi di Indonesia

Akbar Maulana; rakha albani; Ela Susanti; Erliza Sabila Rahmaya; Iqbal Abdul Haris

doi:10.31004/riggs.v4i2.1169

Authors

Akbar Maulana universitas pamulang
rakha albani Universitas Pamulang
Ela Susanti Universitas Pamulang
Erliza Sabila Rahmaya Universitas Pamulang
Iqbal Abdul Haris Universitas Pamulang

DOI:

https://doi.org/10.31004/riggs.v4i2.1169

Keywords:

K-Means Clustering, Segmentasi Wilayah, Indikator Ekonomi, Ritel Modern, Produksi Pertanian, Harapan Hidu

Abstract

Penelitian ini bertujuan untuk menerapkan algoritma K-Means Clustering dalam melakukan segmentasi wilayah di Indonesia berdasarkan indikator-indikator ekonomi yang relevan. Metode ini digunakan karena kemampuannya dalammengelompokkan data multivariat ke dalam klaster-klasterhomogen yang merepresentasikan karakteristik ekonomimasing-masing wilayah. Data yang digunakan mencakup lima indikator utama, yaitu: penjualan ritel makanan dalamkemasan (2000–2002), komposisi penduduk menurut jeniskegiatan (2012–2014), kontribusi ritel modern terhadap pasar nasional (2002–2009), produksi padi dan palawija (2014), serta harapan hidup saat lahir di negara-negara ASEAN (1990–2011). Proses analisis melibatkan tahapan praprosesdata, penentuan jumlah klaster optimal dengan Elbow Method, pelaksanaan algoritma K-Means, dan evaluasi hasilklaster. Hasil penelitian menunjukkan bahwa wilayah-wilayah dapat diklasifikasikan menjadi tiga klaster utama dengankarakteristik ekonomi yang berbeda-beda. Segmentasi inidapat digunakan untuk mendukung pengambilan kebijakanberbasis data dalam perencanaan pembangunan wilayah yang lebih tepat sasaran.

Downloads

Download data is not yet available.

References

Badan Pusat Statistik. (2020). Statistik Ekonomi dan Sosial Indonesia. Jakarta: BPS.

Hidayat, T. (2021). Urbanisasi dan Perilaku Konsumsi di Indonesia. Jakarta: LIPI Press.

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer.

Setiawan, B. (2023). Transformasi Ekonomi Wilayah di Indonesia. Yogyakarta: Gadjah Mada University Press.

Suharto, E. (2016). Pembangunan dan Ketimpangan Sosial: Perspektif Kebijakan Sosial dan Pemberdayaan Komunitas. Bandung: Refika Aditama.

Kamber, M., & Han, J. (2011). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann.

Rahayu, D. (2022). Struktur Ketenagakerjaan dan Pembangunan Ekonomi Daerah. Bandung: Alfabeta.

MacQueen, J. (1967). Some Methods for Classification and Analysis of Multivariate Observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability (Vol. 1, pp. 281–297). University of California Press.

Kaufman, L., & Rousseeuw, P. J. (2005). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley.

World Health Organization. (2014). World Health Statistics 2014. Geneva: WHO Press.