Penerapan RobustScaler dan Principal Component Analysis pada K-Means Clustering untuk Segmentasi Wilayah Berdasarkan Indikator Sosial-Ekonomi di Jawa Timur

Shynta Ayu Dwi Dharmawan (Universitas Jember)

Setrum : Sistem Kendali-Tenaga-elektronika-telekomunikasi-komputer
Vol 15, No 1 (2026): Edisi Juni 2026

Kesenjangan sosial-ekonomi di Provinsi Jawa Timur terus menjadi kendala dalam perencanaan pembangunan. Sayangnya, pendekatan analitik konvensional kerap menggunakan metode normalisasi yang rentan terhadap data pencilan (outlier). Studi berikut mengusulkan model pengelompokan berbasis data yang mengintegrasikan RobustScaler, Principal Component Analysis (PCA), dan algoritma K-Means untuk menyegmentasikan 38 kabupaten/kota berdasarkan 8 parameter sosial-ekonomi dari BPS tahun 2024. Model yang diusulkan dievaluasi kinerjanya secara komparatif terhadap StandardScaler dan MinMaxScaler. Berdasarkan pengujian metode Elbow dan Silhouette Score, jumlah klaster paling optimal ditetapkan pada k=3. Hasil validasi mengonfirmasi bahwa RobustScaler memiliki performa pemisahan klaster yang paling superior. Pemodelan berhasil mengidentifikasi 3 profil wilayah yang distingtif: metropolitan maju, wilayah berkembang, dan kawasan tertinggal. Pemilihan metode normalisasi terbukti sangat krusial dalam pemetaan data regional untuk memfasilitasi perumusan kebijakan pembangunan yang lebih tepat sasaran.