Klasterisasi Data Ekonomi dan Demografi Menggunakan K-Means: Studi Kasus Saham, Neraca Pembayaran, GDP, dan Kependudukan

Abstract

Tujuan dari penelitian ini adalah untuk mengevaluasi seberapa baik dan fleksibel algoritma K-Means dalam mengidentifikasi pola tersembunyi pada berbagai data demografis dan ekonomi. Data seri waktu harga saham TLKM (2003), data makroekonomi neraca pembayaran AS (2000–2010), data PDB lintas sektoral negara-negara ASEAN (2014), riwayat kinerja perdagangan bulanan (2018), dan data populasi Kabupaten Minahasa Utara merupakan lima studi kasus yang dianalisis. Untuk memastikan kesetaraan bobot fitur, teknik studi mencakup langkah pra-pemrosesan dengan normalisasi Min-Max. Skor Silhouette kemudian digunakan untuk mengevaluasi secara objektif kualitas hasil pengelompokan. Hasil analisis menunjukkan bahwa K-Means secara konsisten menghasilkan kluster yang bermakna dan mudah dipahami di seluruh dataset. Algoritma ini dapat membedakan dua rezim pasar saham, membedakan antara periode booming ekonomi dan krisis, membagi negara-negara ASEAN menjadi tiga tingkat ekonomi, mengidentifikasi bulan-bulan dengan kinerja luar biasa, dan memetakan subdistrik berdasarkan profil demografis perkotaan dan pedesaan.