Human Development Cluster Analysis in Banten Province: A Global Perspective on the Impact of the COVID-19 Pandemic
DOI:
https://doi.org/10.36080/jsgs.v2i1.26Keywords:
Clustering, Fuzzy C-Means, Human Development Index, K-Means, Validation TestAbstract
Abstrak: Human Development Index (HDI) adalah indikator jangka panjang yang membutuhkan kewaspadaan dalam interpretasinya. Selain itu, HDI adalah indikator pembentukan kemajuan pembangunan manusia yang dilihat berdasarkan kecepatan dan status HDI dalam suatu periode, sehingga pembangunan manusia sangat penting dalam strategi kebijakan nasional untuk pengembangan ekonomi dan sumber daya manusia secara merata di suatu wilayah. Oleh karena itu, penelitian ini bertujuan untuk mengkluster distrik/kota di Banten menggunakan algoritma pada k-means dan fuzzy c-mean dengan dikelompokkan ke dalam 4 cluster sekaligus. Untuk melihat cluster terbaik menggunakan tes validasi, dan sebagai sarana informasi dan input dalam hal peningkatan pengembangan secara merata di Provinsi Banten. Oleh karena itu, pengolahan data diperlukan untuk mendapatkan metode dan hasil cluster terbaik.Peneliti melakukan pemrosesan data menggunakan algoritma k-means dan fuzzy c-Means. Hasil tes validasi adalah 0,38 dan 0,78. Kemudian hal ini menunjukkan bahwa penggunaan algoritma fuzzy c-means pada indikator HDI lebih baik daripada nilai algoritma k-media, karena nilai validasi lebih dekat dengan 1. hasil clustering yang didapat pada kedua metode baik terutama dalam karakteristik anggota yang masuk kedalam cluster, dengan mengelompokkan 8 kabupaten/kota ke dalam 4 cluster dihasilkan pada k-means untuk cluster 1 beranggota kota Tangerang dan kota Tangerang Selatan, cluster 2 Kabupaten Lebak, cluster 3 kabupaten Tangerang, kota Serang, dan kota Cilegon dan cluster 4 kabupaten Pandeglang, dan kabupaten Serang. Sedangkan pada fuzzy c-means pada cluster 1 beranggota Kabupaten Tangerang, Kota Cilegon dan Kota Serang, cluster 2 kota Tangerang dan kota Tangerang Selatan, cluster 3 Kabupaten Pandeglang dan Kabupaten Serang, dan cluster 4 Kabupaten Lebak.
Abstract: The Human Development Index (HDI) is a long-term indicator that requires caution in its interpretation. Moreover, the human development index is an indicator of the formation of human development progress seen based on the speed and status of the IPM in a period, so human development is very important in the national policy strategy for the development of the economy and human resources evenly in a region (PPK). Therefore this study aimed to cluster districts/cities in Banten using algorithms on k-means and fuzzy c-means by being grouped into 4 clusters at once. To view the clustering best using validation test, and as a means of information and input in terms of increasing development evenly in Banten province. Therefore, data processing is needed to get the best cluster methods and results. Researchers conducted data processing using k-means and fuzzy c-means algorithms. The results of the validation test were 0.38 and 0.78. Then this shows that the use of those FCM algorithm on the HDI indicator is better than the value of the algorithm k-means because validation values are closer to 1. And the clustering obtained on both the good especially in characteristics of members of entering the cluster, by grouping eight districts/cities to 4 cluster produced on k-means for cluster of 1 membered Tangerang and South Tangerang, cluster of 2 Lebak district, cluster of 3 Tangerang district, Serang and Cilegon city, and cluster of 4 Pandeglang and Serang district, while in fuzzy c-means consists cluster of 1 membered Tangerang, Cilegon and Serang city, cluster of 2 Tangerang and South Tangerang, cluster of 3 Pandeglang and Serang district, and cluster of 4 Lebak district .
Downloads
References
Armetiyana Margaretta, Debby, Izzati Rahmi Hg, and Hazmira Yozza. 2021. “PENGKLASTERAN PROVINSI-PROVINSI DI INDONESIA BERDASARKAN INDIKATOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN MANUSIA MENGGUNAKAN METODE FUZZY C-MEANS.” Jurnal Matematika UNAND 10(1):79. doi: 10.25077/jmu.10.1.79-86.2021.
Arofah, Irvana, and Siti Rohimah. 2019. “ANALISIS JALUR UNTUK PENGARUH ANGKA HARAPAN HIDUP, HARAPAN LAMA SEKOLAH, RATA-RATA LAMA SEKOLAH TERHADAP INDEKS PEMBANGUNAN MANUSIA MELALUI PENGELUARAN RIIL PER KAPITA DI PROVINSI NUSA TENGGARA TIMUR.” Jurnal Saintika Unpam : Jurnal Sains dan Matematika Unpam 2(1):76. doi: 10.32493/jsmu.v2i1.2920.
BPS. 2020b. Indeks Pembangunan Manusia 2020. Jakarta: Badan Pusat Statistik.
Febrianti, Fitria, Moh. Hafiyusholeh, and Ahmad Hanif Asyhar. 2016. “PERBANDINGAN PENGKLUSTERAN DATA IRIS MENGGUNAKAN METODE K-MEANS DAN FUZZY C-MEANS.” Jurnal Matematika “MANTIK” 2(1):7. doi: 10.15642/mantik.2016.2.1.7-13.
Kamolov, Ahmadhon Akbarkhonovich, and Suhyun Park. 2021. “Prediction of Depth of Seawater Using Fuzzy C-Means Clustering Algorithm of Crowdsourced SONAR Data.” Sustainability 13(11):5823. doi: 10.3390/su13115823.
Majerova, Ingrid, and Jan Nevima. 2017. “The Measurement of Human Development Using the Ward Method of Cluster Analysis.” Journal of International Studies 10(2):239–57. doi: 10.14254/2071-8330.2017/10-2/17.
Mariano, Enzo Barberio, Diogo Ferraz, and Simone Cristina de Oliveira Gobbo. 2021. “The Human Development Index with Multiple Data Envelopment Analysis Approaches: A Comparative Evaluation Using Social Network Analysis.” Social Indicators Research 157(2):443–500. doi: 10.1007/s11205-021-02660-4.
Mirza, Denni Sulistio. 2012. “PENGARUH KEMISKINAN, PERTUMBUHAN EKONOMI, DAN BELANJA MODAL TERHADAP INDEKS PEMBANGUNAN MANUSIA DI JAWA TENGAH TAHUN 2006-2009.” 15.
Nurhasanah, Nurhasanah, Nany Salwa, Lyra Ornila, Fitriana Ar, and Amiruddin Hasan. 2021. “Analisis Diskriminan dalam Menentukan Fungsi Pengelompokan Kabupaten/Kota di Indonesia berdasarkan Indikator Indeks Pembangunan Manusia.” Jurnal EMT KITA 5(1):37. doi: 10.35870/emt.v5i1.320.
Pickens, Adam, and Saptarshi Sengupta. 2021. “Benchmarking Studies Aimed at Clustering and Classification Tasks Using K-Means, Fuzzy C-Means and Evolutionary Neural Networks.” Machine Learning and Knowledge Extraction 3(3):695–719. doi: 10.3390/make3030035.
Ramadhan, Aditya, and Zuliar Efendi. 017. “Perbandingan K-Means dan Fuzzy C-Means untuk Pengelompokan Data User Knowledge Modeling.” 8.
Sembiring, Falentino, Octaviana Octaviana, and Sudin Saepudin. 2020. “IMPLEMENTASI METODE K-MEANS DALAM PENGKLASTERAN DAERAH PUNGUTAN LIAR DI KABUPATEN SUKABUMI (STUDI KASUS : DINAS KEPENDUDUKAN DAN PENCATATAN SIPIL).” Jurnal Tekno Insentif 14(1):40–47. doi: 10.36787/jti.v14i1.165.
Syarif, Rahman, Muhammad Tanzil Furqon, and Sigit Adinugroho. n.d. “Perbandingan Algoritme K-Means Dengan Algoritme Fuzzy C Means (FCM) Dalam Clustering Moda Transportasi Berbasis GPS.” 9.
Ulfah, Aniq Noviciatie. 2015. “Analisis Kinerja Algoritma Fuzzy C-Means dan K-Means pada Data Kemiskinan.” 1(2):10.
Utomo, Wargijono. 2021. “The Comparison of K-Means and k-Medoids Algorithms for Clustering the Spread of the Covid-19 Outbreak in Indonesia.” ILKOM Jurnal Ilmiah 13(1):31–35. doi: 10.33096/ilkom.v13i1.763.31-35.
Yusniyanti, A. L., F. Virgantari, and Y. E. Faridhan. 2021. “Comparison of Average Linkage and K-Means Methods in Clustering Indonesia’s Provinces Based on Welfare Indicators.” Journal of Physics: Conference Series 1863(1):012071. doi: 10.1088/1742-6596/1863/1/012071.
