Persebaran Tingkat Kemiskinan di Sulawesi Selatan Menggunakan K-Means Clustering Analysis

Fajriani Fajriani

Abstract


Penelitian ini merupakan implementasi metode machine learning untuk mengetahui hasil pengelompokan 24 Kabupaten/Kota yang ada di Sulawesi Selatan berdasarkan tingkat kemiskinan. Pengelompokan Kabupaten/Kota ini menggunakan metode non hierarchical clustering analysis, yaitu algoritma K-Means. Indikator yang digunakan dalam pengelompokan ini adalah indeks kedalaman kemiskinan dan indeks keparahan kemiskinan pada masing-masing Kabupaten/Kota. Cluster yang digunakan dalam penelitian ini adalah sebanyak 2 kelompok. Hasil analisis menunjukkan bahwa sebanyak 7 wilayah termasuk pada cluster rata-rata tingkat kemiskinan tinggi dan 17 lainnya termasuk pada cluster rata-rata tingkat kemiskinan rendah. Daerah yang termasuk pada kelompok tingkat kemiskinan tinggi adalah Kepulauan Selayar, Jeneponto, Maros, Pangkajene dan Kepulauan, Luwu, Tana Toraja, dan Luwu Utara. Sedangkan yang termasuk pada tingkat kemiskinan rendah adalah Bulukumba, Bantaeng, Takalar, Gowa, Sinjai, Barru, Bone, Soppeng, Wajo, Sindereng Rappang, Pinrang, Enrekang, Luwu Timur, Toraja Utara, Makassar, Parepare dan Palopo.

Full Text:

Untitled

References


B. Poerwanto and R. Y. Fa’rifah, “Analisis Cluster K-means dalam Pengelompokkan Kemampuan Mahasiswa,” Indones. J. Fundam. Sci., vol. 2, no. 2, pp. 92–96, 2016.

X. Hong, J. Wang, and G. Qi, “Comparison of spectral clustering , K-clustering and hierarchical clustering on e-nose datasets : Application to the recognition of material freshness , adulteration levels and pretreatment approaches for tomato juices,” Chemom. Intell. Lab. Syst., vol. 133, pp. 17–24, 2014.

Z. Kakushadze and W. Yu, “K-means and cluster models for cancer signatures,” Biomol. Detect. Quantif., vol. 13, pp. 7–31, 2017.

E. Zhu, Y. Zhang, P. Wen, and F. Liu, “Fast and stable clustering analysis based on Grid-mapping K-means algorithm and new clustering validity index,” Neurocomputing, vol. 363, pp. 149–170, 2019.

B. Poerwanto and R. Y. Fa’rifah, “Algoritma K-Means dalam mengelompokkan Kecamatan di Tana Luwu berdasarkan hasil Produktifitas Hasil Pertanian,” vol. 9, no. 1, pp. 46–51, 2019.

W. M. P. Dhuhita, “Clustering Menggunakan Metode K-means untuk Menentukan Status Gizi Balita,” J. Inform., vol. 15, no. 2, pp. 160–174, 2015.

T. H. Sardar and Z. Ansari, “An analysis of MapReduce efficiency in document clustering using parallel K-means algorithm,” Futur. Comput. Informatics J., vol. xx, pp. 1–10, 2018.

K. Tian, J. Li, J. Zeng, A. Evans, and L. Zhang, “Segmentation of tomato leaf images based on adaptive clustering number of K-means algorithm,” Comput. Electron. Agric., vol. 165, pp. 1–7, 2019.

Badan Pusat Statistik, “Profil Kemiskinan di Indonesia September 2018,” Jakarta, 2019.

Badan Pusat Statistik Provinsi Sulawesi Selatan, “Profil Kemiskinan Sulawesi Selatan , September 2018,” Makassar, 2019.

W. Xu and Y. Peng, “Research on classified real-time flood forecasting framework based on K-means cluster and rough set Wei Xu and Yong Peng,” Water Sci. Technol., vol. 71, no. 10, pp. 1507–1516, 2015.

Z. Feng, W. Niu, R. Zhang, S. Wang, and C. Cheng, “Operation rule derivation of hydropower reservoir by k -means clustering method and extreme learning machine based on particle swarm optimization,” J. Hydrol., vol. 576, no. June, pp. 229–238, 2019.

W. P. Gardiner, Statistical Analysis Method for Chemsits (A Sofware-based Approach. Glasgow, UK: The Royal Society of Chemistry, 1997.

M. N. Qureshi and M. V. Ahamad, “An Improved Method for Image Segmentation Using K-Means Clustering with Neutrosophic Logic,” in International Coonference on Computational Intellegence and Data Science (ICCIDS 2018) - Procedia Computer Science, 2018, vol. 132, pp. 534–540


Refbacks

  • There are currently no refbacks.