<![CDATA[Pertumbuhan kendaraan bermotor di Indonesia meningkat signifikan dengan distribusi antarprovinsi yang sangat timpang. Data BPS (2024) mencatat ketimpangan ekstrem: Jawa Barat memiliki 27.104.924 unit, sedangkan Kalimantan Utara hanya 305.187 unit. Hal ini menuntut pendekatan analisis untuk mengelompokkan kepadatan kendaraan secara sistematis. Penelitian ini bertujuan membandingkan kinerja algoritma K-Means dan Density-Based Spatial Clustering of Applications with Noise (DBSCAN) dalam mengelompokkan kepadatan kendaraan pada 34 provinsi di Indonesia. Tahapan penelitian meliputi pengumpulan data sekunder, preprocessing (pembersihan, transformasi logaritmik, dan standardisasi), serta penentuan parameter optimal melalui metode Elbow dan Silhouette (K-Means) dan k-distance plot (DBSCAN). Evaluasi performa menggunakan Silhouette Coefficient, Davies-Bouldin Index, dan Calinski-Harabasz Index. Hasilnya, K-Means (K=4) menghasilkan empat tingkat kepadatan yang interpretable dengan nilai Silhouette 0,537, Davies-Bouldin 0,560, dan Calinski-Harabasz 98,00. Sebaliknya, DBSCAN (?=0,8; MinPts=5) hanya membentuk 2 cluster dengan 5 titik noise dan Calinski-Harabasz 42,67. Kesimpulannya, K-Means terbukti lebih unggul dalam menghasilkan separasi cluster yang granular dan informatif untuk pengelompokan tingkat kepadatan kendaraan di Indonesia.]]>
Copyrights © 2026
