Perbandingan Metode K-Means Dan Agglomerative Hierarchical Clustering Dalam Pengelompokan Kabupaten/Kota Di Provinsi Jawa Barat Berdasarkan Indikator Sosial Ekonomi Tahun 2024

Hanifa, Elwida (2026) Perbandingan Metode K-Means Dan Agglomerative Hierarchical Clustering Dalam Pengelompokan Kabupaten/Kota Di Provinsi Jawa Barat Berdasarkan Indikator Sosial Ekonomi Tahun 2024. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) COVER DAN ABSTRAK WIDA.pdf - Published Version Download (1MB)
	Text (BAB I Pendahuluan) BAB 1 WIDA_compressed.pdf - Published Version Download (53kB)
	Text (BAB V Penutup) BAB V WIDA_compressed_compressed-dikompresi.pdf - Published Version Download (37kB)
	Text (Daftar Pustaka) Daftar Pustaka Wida_compressed.pdf - Published Version Download (50kB)
	Text (Skripsi Fulltext) Skripsi FullText.pdf - Published Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Pembangunan merupakan upaya meningkatkan kesejahteraan masyarakat yang dipengaruhi oleh berbagai faktor sosial dan ekonomi. Pemerataan pembangunan sosial ekonomi antarwilayah menjadi perhatian dalam perencanaan pembangunan, terutama di Provinsi Jawa Barat yang memiliki jumlah penduduk terbesar di Indonesia serta karakteristik wilayah yang beragam. Oleh karena itu, diperlukan pengelompokan kabupaten/kota di Provinsi Jawa Barat berdasarkan indikator sosial ekonomi agar pemerintah dapat mengidentifikasi daerah yang perlu diprioritaskan dalam meningkatkan kesejahteraan masyarakat. Pengelompokan dilakukan dengan metode K-Means dan Agglomerative Hierarchical Clustering (AHC) berdasarkan Indeks Pembangunan Manusia, Proporsi Tidak Miskin, Tingkat Partisipasi Angkatan Kerja, dan Produk Domestik Regional Bruto tahun 2024. Lalu, Silhouette Index (SI) dan Davies Bouldin Index (DBI) digunakan untuk mengukur seberapa baik hasil pengelompokan yang diperoleh. Diperoleh jumlah klaster optimal pada metode K-Means dan AHC adalah 2 klaster. Metode AHC memberikan hasil terbaik dengan nilai SI lebih tinggi dan DBI lebih rendah dibandingkan metode K-Means. Pada metode AHC ini diperoleh 2 klaster, yaitu klaster 1 terdiri dari 20 kabupaten/kota dengan sosial ekonomi rendah dan klaster 2 terdiri dari 7 kabupaten/kota dengan sosial ekonomi tinggi.

Actions (login required)

View Item