<![CDATA[Abstrak Analisis kelompok digunakan untuk mengelompokan objek-objek dengan kesamaan karakteristik yang tinggi dalam satu kelompok sementara objek-objek dengan ketidaksamaan karaketristik berada dalam kelompok yang berbeda. Analisis kelompok terbagi menjadi metode hierarki dan non hierarki. Metode hierarki menggunakan struktur seperti pohon pada keputusan pengelompokan objeknya. Metode tidak berhierarki menemptakan objek - objek ke pusat kelompok terdekat saat banyaknya kelompok sudah ditentukan. Pusat kelompok terbagi menjadi rataan dan median. Kelemahan dari pusat kelompok rataan yaitu tidak kekar terhadap adanya pencilan. Hal tersebut berbeda dengan pusat kelompok median yang kekar terhadap pencilan. Permasalahan data yang besar juga menjadi perhatian dalam penelitian ini, maka digunakanlah CLARA sebagai pengembangan dari metode k -medoid. Penelitian ini menerapkan metode k -medoid dan CLARA untuk mengelompokan kabupaten/kota di Sulawesi Selatan dan Barat berdasarkan indikator penyusun Angka Partisipasi Pendidikan tahun 2017. CLARA dibangun dari kelompok yang dihasilkan oleh metode k -medoid dengan banyaknya kelompok terbaik empat kelompok. Dihasilkan nilai silhouette pada metode k -medoid dan CLARA yang sama yaitu k=4 sebesar 0,49 pada masing-masing metode tersebut. Metode k -medoid dan CLARA mempunyai kriteria pengelompokan yang lebih jelas jika dilihat pada masing-masing indikatornya sehingga dapat dijadikan sebagai alternatif memetakan kabupaten/kota di Sulawesi Selatan dan Barat berdasarkan indikator penyusun Angka Partisipasi Pendidikan tahun 2017. Kata Kunci: analisis kelompok, CLARA, angka Partisipasi Pendidikan, k-medoid Abstract Cluster analysis is grouping objects by high similarity of characteristic in a cluster but high dissimilarity in another cluster. Cluster analysis is divided into hierarchical method and non hierarchical method. Hierarchical method use structur tree-like to determine its object in a cluster. The objects are placed to a similar centroid whilecluster seed was determined in non-hierarchical method. The types of centroid are mean centroid and median centroid (known as medoid). The disadvantage of mean is not robust from outlier. Otherwise, k -medoid is robust with outlier data. Big data problem is concerned, so CLARA is used to be a development from k –medoid method. K-medoid and CLARA is applicated in this paper to clustering city of South Sulawesi and West Sulawesi based on the indicator of APP year 2017. APP was categorized into four levels, hence CLARA was build from a cluster which resulted from k -medoid for four clusters. Generated silhouette value on the method k -medoid and CLARA with same value k=4 of 0,49 each methods. Furthermore, the characteristic of each group of CLARA method and k -medoid were more clear than the APP groups, hence would be an alternative to map the city of Indonesia based on APP indicators year 2017. Keywords: Cluster analysis, CLARA, Educational partisipation, K-medoid.]]>
Copyrights © 2019
