Rida Ashari
Prodi Statistika, Fakultas Farmasi dan Sains, Universitas Islam Bandung, Indonesia

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Klasifikasi Kabupaten/Kota di Jawa Barat Berdasarkan Tingkat Kemiskinan Menggunakan K-Means Clustering Rida Ashari
Bandung Conference Series: Statistics 151-160
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v6i2.24820

Abstract

Abstract. Poverty remains a persistent socio-economic problem in Indonesia, and its distribution varies considerably across regions. This study aims to classify 27 districts/cities in West Java Province based on their poverty characteristics using the K-Means clustering algorithm. Secondary data were obtained from the Central Statistics Agency (BPS), consisting of four indicators: the percentage of poor population, the poverty line, the poverty gap index (P1), and the poverty severity index (P2). Prior to clustering, the data were standardized using Z-score transformation to equalize the scale of variables, and the optimal number of clusters was determined using the silhouette method. The analysis produced two clusters with a silhouette score of 0.421, indicating a reasonable cluster structure. Cluster 1 consists of 15 regions, mostly regencies, characterized by a high percentage of poor population and deeper, more severe poverty. Cluster 2 consists of 12 regions, mostly cities, characterized by a lower percentage of poor population despite a higher poverty line. These findings can serve as a basis for local governments in designing region-specific poverty alleviation policies.Abstrak. Kemiskinan masih menjadi permasalahan sosial-ekonomi yang persisten di Indonesia, dengan tingkat penyebaran yang bervariasi antarwilayah. Penelitian ini bertujuan untuk mengelompokkan 27 kabupaten/kota di Provinsi Jawa Barat berdasarkan karakteristik kemiskinannya menggunakan algoritma K-Means. Data sekunder diperoleh dari Badan Pusat Statistik (BPS), terdiri atas empat indikator, yaitu persentase penduduk miskin, garis kemiskinan, indeks kedalaman kemiskinan (P1), dan indeks keparahan kemiskinan (P2). Sebelum dilakukan clustering, data terlebih dahulu distandarisasi menggunakan transformasi Z-score untuk menyetarakan skala antarvariabel, dan jumlah klaster optimal ditentukan menggunakan metode silhouette. Hasil analisis menghasilkan dua klaster dengan nilai silhouette sebesar 0,421, yang menunjukkan struktur klaster yang cukup baik. Klaster 1 terdiri atas 15 wilayah, didominasi oleh kabupaten, dengan karakteristik persentase penduduk miskin tinggi serta kemiskinan yang lebih dalam dan parah. Klaster 2 terdiri atas 12 wilayah, didominasi oleh kota, dengan persentase penduduk miskin lebih rendah meskipun garis kemiskinannya lebih tinggi. Hasil penelitian ini dapat menjadi dasar bagi pemerintah daerah dalam merancang kebijakan penanggulangan kemiskinan yang sesuai dengan karakteristik masing-masing wilayah.