PENGELOMPOKAN INDEKS PEMBANGUNAN MANUSIA DI INDONESIA MENGGUNAKAN METODE K-MEDOIDS DENGAN EVALUASI DAVIES BOULDIN INDEX

Ersawahyuni, Aisna
Martha, Shantika
Perdana, Hendra

BIMASTER
Vol 14, No 2 (2025): Bimaster : Buletin Ilmiah Matematika, Statistika dan Terapannya

Indeks Pembangunan Manusia (IPM) adalah salah satu indikator penting dalam menilai kemajuan suatu negara. Pengelompokan IPM berguna memberikan wawasan yang penting mengenai pemahaman tentang pola dan karakteristik perkembangan kesejahteraan masyarakat. Tujuan dari penelitian ini adalah mengelompokkan provinsi-provinsi di Indonesia berdasarkan IPM masing-masing provinsi tahun 2023 menggunakan metode K-Medoids dan menentukan jumlah cluster yang optimal dengan evaluasi Davies Bouldin Index (DBI). Data yang digunakan berasal dari Publikasi Badan Pusat Statistik Pusat Tahun 2023, variabel yang digunakan antara lain umur harapan hidup, harapan lama sekolah, rata-rata lama sekolah, pengeluaran per kapita, produk domestik regional bruto, jumlah penduduk, dan persentase penduduk miskin. Proses analisis dimulai dengan statistik deskriptif dan pengujian multikolinearitas Variance Inflation Factor (VIF). Variabel yang memiliki nilai VIF 10 dieliminasi secara bertahap. Selanjutnya, dilakukan standarisasi data dan menentukan jumlah cluster awal, k yang digunakan , dilanjutkan dengan pemilihan medoids acak dan perhitungan jarak euclidean untuk menentukan kedekatan antar objek. Proses dilakukan hingga total jarak. Setelah pengelompokan selesai dilakukan optimasi jumlah cluster dengan menggunakan DBI, dengan cara meminimalkan nilai Sum of Square Within (SSW) dan memaksimalkan Sum of Square Between (SSB) dilanjutkan dengan menghitung rasio antara SSW dan SSB sehingga diperoleh nilai DBI. Hasil pengelompokan optimal yaitu dua cluster berdasarkan nilai DBI sebesar 0,94, namun dipilih cluster optimal sebanyak empat sebagai alternatif karena memiliki nilai DBI terendah kedua sebesar 1,07. Hasil pengelompokkan empat cluster yaitu cluster 1 IPM kategori sangat tinggi berjumlah 4 provinsi, cluster 2 IPM kategori tinggi berjumlah 14 provinsi, cluster 3 IPM kategori rendah berjumlah 10 provinsi, dan cluster 4 IPM kategori sangat rendah berjumlah enam provinsi.  Kata Kunci :  Jarak Euclidean, DBI, VIF, Hierarchical.