<![CDATA[Abstract. Cluster analysis is a method used to group data based on similar characteristics. One density-based cluster analysis is Hierarchical Density Based Spatial Clustering of Applications with Noise. HDBSCAN is a density-based clustering method capable of forming clusters with different densities and identifying data that does not belong to any cluster (noise). This method automatically forms clusters based on variations in local density. The distance used to measure the proximity between data points is the Euclidean distance. The clustering results are evaluated using Density-Based Clustering Validation (DBCV). DBCV is a validation index specifically designed for density-based methods, focusing on cohesion and separation between clusters. The DBCV value ranges from -1 to 1, with higher values indicating better clusters. In this study, the HDBSCAN method will be applied to data related to the 2023 Housing Indicators with observation points in the regencies/cities on the island of Java. Housing conditions are one of the supporting aspects of community welfare, but disparities in adequate housing still exist on the island of Java. Therefore, it is necessary to map areas based on housing indicators to identify patterns of similarity in characteristics between areas as a basis for development planning. From the cluster analysis results obtained using a minimum cluster size of 7 and a minimum sample size of 7, two clusters and 12 noise points were identified. Cluster 1 consists of 39 regions, and Cluster 2 consists of 60 regions. The DBCV value obtained was 0.5506, indicating a sufficiently stable cluster structure, so the clustering results can be used to interpret the characteristics of each regional group based on the indicators used. Abstrak. Analisis klaster adalah metode yang digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik. Salah satu analisis klaster berbasis kepadatan adalah Hierarchical Density Based Spatial Clustering of Application with Noise. HDBSCAN merupakan klasterisasi berbasis kepadatan yang mampu membentuk klaster dengan kepadatan berbeda dan mengidentifikasi data yang tidak termasuk ke dalam klaster manapun (noise). Metode ini membentuk klaster secara otomatis berdasarkan variasi kerapatan lokal. Jarak yang digunakan untuk mengukur kedekatan antar data adalah jarak euclidean. Evaluasi hasil klaster dilakukan menggunakan Density Based Clustering Validation (DBCV) yang merupakan indeks validasi khusus untuk metode berbasis kepadatan yang memperhatikan kohesi dan separasi antar klaster. Nilai DBCV berada antara -1 hingga 1, dengan nilai yang lebih tinggi menunjukan klaster semakin baik. Pada penelitian ini, metode HDBSCAN akan diterapkan pada data terkait Indikator Perumahan Tahun 2023 dengan titik pengamatan yakni Kabupaten/Kota yang ada di Pulau Jawa. Kondisi perumahan merupakan salah satu aspek penunjang kesejahteraan masyarakat, namun ketimpangan hunian layak masih terjadi di Pulau Jawa. Karena itu, diperlukan pemetaan wilayah berdasarkan indikator perumahan untuk mengetahui pola kemiripan karakteristik antar wilayah sebagai bahan perencanaan pembangunan. Dari hasil analisis klaster yang dilakukan dengan menggunakan minimum cluster size = 7 dan minimum sample = 7, diperoleh 2 klaster dan 12 noise. Klaster 1 terdiri dari 39 daerah dan klaster 2 terdiri dari 60 daerah. Nilai DBCV yang diperoleh sebesar 0,5506 yang menunjukkan struktur klaster cukup stabil, maka hasil klasterisasi dapat digunakan untuk menginterpretasikan karakteristik tiap kelompok wilayah berdasarkan indikator yang digunakan.]]>
