Pemetaan Kabupaten/Kota di Provinsi Papua Berdasarkan Indikator Daerah Tertinggal dengan Metode Ensemble Clustering

Evi Fauziyari, Universitas Negeri Yogyakarta, Indonesia
Dhoriva Urwatul Wustqa, Universitas Negeri Yogyakarta, Indonesia

Abstract


Provinsi Papua menjadi provinsi yang memiliki daerah tertinggal terbanyak di Indonesia. Untuk pemerataan pembangunan, perlu diketahui kabupaten/kota di Provinsi Papua yang termasuk dalam daerah sangat tertinggal dengan memetakan daerah tertinggal berdasarkan indikator daerah tertinggal menggunakan metode ensemble clustering. Terdapat 29 kabupaten dan 13 variabel yang digunakan dengan 10 variabel data bertipe numerik dan 3 variabel bertipe kategorik. Pembentukan cluster diawali dengan menentukan banyak cluster. Kemudian dilakukan pembentukan cluster dengan metode K-means untuk variabel numerik dan K-modes untuk variabel kategorik. Validasi dilakukan untuk mendapatkan cluster terbaik menggunakan Davies Index Bouldin dan Silhouette. Hasil dari kedua metode yang berupa data kategorik dianalisis dengan metode K-modes. Hasil penelitian menghasilkan 5 cluster terbaik dan dipetakan menjadi 5 tingkat daerah tertinggal. Setiap tingkat memiliki banyak kabupaten dan karakteristik yang berbeda. 

Keywords


Daerah tertinggal; davies index bouldin; ensemble clustering; silhouette

Full Text:

PDF

References


Badan Perencanaan Pembangunan Daerah Provinsi Papua. (2020). Analisis Kerangka Pembangunan Daerah Provinsi Papua Tahun 2020. Badan Perencanaan Pembangunan Daerah Provinsi Papua. https://bappeda.papua.go.id/file/456181782.pdf

Budianta, A. (2010). Pengembangan wilayah perbatasan sebagai upaya pemerataan pembangunan wilayah di Indonesia. Jurnal SMARTek, 8(1), 72–82. http://jurnal.untad.ac.id/jurnal/index.php/SMARTEK/article/view/628/546

Davies, D. L., & Bouldin, D. W. (1979). A Cluster Separation Measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1(2), 224–227. https://doi.org/10.1109/TPAMI.1979.4766909

Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (Third). Elsevier. https://www.sciencedirect.com/book/9780123814791/data-mining-concepts-and-techniques

Hasugian, P. M., Hutahaean, H. De., Sinaga, B., Sriadhi, & Silaban, S. (2020). Villages Status Classification Analysis Involving K- Means Algorithm To Support Kementerian Desa Pembangunan Daerah Tertinggal dan Villages Status Classification Analysis Involving K-Means Algorithm To Support Kementerian Desa Pembangunan Daerah Tertingga. Jurnal of Physics: Conference Series. https://doi.org/10.1088/1742-6596/1641/1/012058

Huang, Z. (1998). Extensions to the k-Means Algorithm for Clustering Large Data Sets with Categorical Values. Data Mining and Knowledge Discovery 2, 283–304. https://doi.org/10.3923/ajbmb.2011.284.290

Hunt, L., & Jorgensen, M. (2011). Clustering mixed data. WIREs Data Mining Knowl Discov, 1(August), 352–361. https://doi.org/10.1002/widm.33

Liu, Y., Li, Z., Xiong, H., Gao, X., & Wu, J. (2010). Understanding of internal clustering validation measures. Proceedings - IEEE International Conference on Data Mining, ICDM, 911–916. https://doi.org/10.1109/ICDM.2010.35

Maciel, D. B. M., Amaral, G. J. A., de Souza, R. M. C. R., & Pimentel, B. A. (2017). Multivariate fuzzy k-modes algorithm. Pattern Analysis and Applications, 20(1), 59–71. https://doi.org/10.1007/s10044-015-0465-3

Peraturan Pemerintah RI. (2014). Peraturan Pemerintah RI tentang Percepatan Pembangunan Daerah Tertinggal (Nomor 78 Tahun 2014 Pasal 1 Ayat 3).

Peraturan Pemerintah RI. (2020). Peraturan Pemerintah RI tentang Penetapan Daerah Tertinggal Tahun 2020-2024 (No 63 Tahun 2020 Pasal 2 Ayat 1).

Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20(C), 53–65. https://doi.org/10.1016/0377-0427(87)90125-7

Strehl, A., & Ghosh, J. (2002). Cluster ensembles - A knowledge reuse framework for combining multiple partitions. Journal of Machine Learning Research, 3(3), 583–617. https://doi.org/10.1162/153244303321897735

Vega-Pons, S., & Ruiz-Shulcloper, J. (2011). A survey of clustering ensemble algorithms. International Journal of Pattern Recognition and Artificial Intelligence, 25(3), 337–372. https://doi.org/10.1142/S0218001411008683

Dihni, V. A., & Annissa Mutia, A. (2021, October 15). Papua Jadi Provinsi yang Miliki Desa Sangat Tertinggal Terbanyak pada 2021 | Databoks. Databoks. https://databoks.katadata.co.id/datapublish/2021/10/15/papua-jadi-provinsi-yang-miliki-desa-sangat-tertinggal-terbanyak-pada-2021

Xiao, J., Lu, J., & Li, X. (2017). Davies Bouldin Index based hierarchical initialization K-means. 21, 1327–1338. https://doi.org/10.3233/IDA-163129

Yusfar, A. A., Tiro, M. A., & Sudarmin, S. (2020). Analisis Cluster Ensemble dalam Pengelompokan Kabupaten/Kota di Provinsi Sulawesi Selatan Berdasarkan Indikator Kinerja Pembangunan Ekonomi Daerah. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 3(1), 31. https://doi.org/10.35580/variansiunm14626


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Jurnal Statistika dan Sains Data

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Our journal is indexed by:


Online ISSN (e-ISSN): 3025-9649

Creative Commons LicenseJurnal Statistika dan Sains Data by http://journal.student.uny.ac.id/ojs/index.php/jssd is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
 JSSD Statistics