Analisis Komparatif Penerapan K-Means Clustering pada Lima Dataset Nyata untuk Evaluasi Sosial Ekonomi dan Finansial

Abstract

Penerapan algoritma K-Means Clustering banyak digunakan dalam eksplorasi data multidomain, mulai dari sektor keuangan digital hingga indikator sosial ekonomi dan kesehatan. Penelitian ini membandingkan penggunaan algoritma K-Means pada lima jenis dataset nyata, yaitu distribusi suplai Bitcoin (2009–2024), harga saham Citigroup Inc. (2008–2024), kontribusi pajak daerah kota Banjarmasin (2007–2014), data kemiskinan Indonesia (1976–1993), dan prevalensi penyakit kronis pada lansia (2022). Seluruh data diproses melalui tahap normalisasi, dilanjutkan analisis klaster menggunakan algoritma K-Means dengan jumlah klaster optimal yang ditentukan melalui metode Elbow. Hasil penelitian menunjukkan bahwa semua domain memiliki pola klasterisasi yang bermakna: distribusi Bitcoin terbagi ke dalam tiga fase pertumbuhan, saham Citigroup memperlihatkan dua fase risiko, data kemiskinan dan pajak menunjukkan segmentasi tren historis, serta penyakit lansia mengarah pada kelompok risiko prevalensi. Evaluasi menggunakan Silhouette Score menunjukkan kualitas pemisahan klaster yang cukup baik (nilai antara 0,61 hingga 0,82). Pendekatan ini membuktikan bahwa K-Means dapat diandalkan untuk pengelompokan lintas domain dan dapat menjadi alat bantu dalam pengambilan keputusan berbasis data.