PEMETAAN KARAKTERISTIK WILAYAH MISKIN DI JAWA TIMUR MENGGUNAKAN SPECTRAL CLUSTERING UNTUK PENENTUAN TARGET KEBIJAKAN

Rahmalia Anindya Herdianti; Wahyu Syaifullah Jauharis Saputra; Dwi Arman Prasetya

doi:10.24252/instek.v10i2.56845

Authors

Rahmalia Anindya Herdianti UPN Veteran Jawa Timur
Wahyu Syaifullah Jauharis Saputra UPN Veteran Jawa Timur
Dwi Arman Prasetya UPN Veteran Jawa Timur

DOI:

https://doi.org/10.24252/instek.v10i2.56845

Keywords:

Pemetaan Wilayah, Kemiskinan, Spectral Clustering, Analisis Klaster , Jawa Timur

Abstract

Tingkat kemiskinan yang masih tinggi di Jawa Timur merupakan permasalahan serius yang memerlukan perhatian dan penanganan berbasis data yang komprehensif. Ketimpangan sosial ekonomi antarwilayah menyebabkan sebagian daerah tertinggal dalam pembangunan, sehingga pengelompokan wilayah miskin menjadi langkah strategis untuk membantu pemerintah dalam menentukan prioritas serta arah kebijakan pengentasan kemiskinan yang lebih efektif. Penelitian ini bertujuan untuk memetakan karakteristik wilayah miskin di Jawa Timur menggunakan algoritma Spectral Clustering dengan 11 indikator sosial ekonomi sebagai variabel analisis. Berdasarkan hasil pembobotan kontribusi variabel terhadap pembentukan klaster, indikator yang paling berpengaruh adalah garis kemiskinan (0,259418), rata-rata lama sekolah (0,259067), harapan lama sekolah (0,147613), dan indeks pembangunan manusia (0,133441). Hasil pengelompokan menunjukkan adanya dua klaster utama, yaitu wilayah dengan tingkat kemiskinan tinggi (26 kabupaten/kota) dan wilayah dengan tingkat kemiskinan rendah (12 kabupaten/kota). Evaluasi kualitas model menghasilkan nilai Davies-Bouldin Index (0,4401) dan Silhouette Score (0,6655), yang menunjukkan bahwa metode ini mampu membentuk kelompok dengan pemisahan yang cukup baik. Temuan ini diharapkan dapat menjadi dasar dalam perumusan kebijakan intervensi yang lebih terarah, berkelanjutan, dan berkeadilan sosial di Jawa Timur.

Downloads

Download data is not yet available.

References

[1] N. Shalsadilla, S. Martha, H. Perdana, and E. Sulistianingsih, “Penentuan Jumlah Cluster Optimum Menggunakan Davies Bouldin Index dalam Pengelompokan Wilayah Kemiskinan di Indonesia,” vol. 23, no. 1, pp. 63–72, 2023.

[2] D. Suhartono, S. Kanto, and S. Mu, “Kajian Tentang Makna , Penyebab , dan Strategi Penanggulangan Kemiskinan (Kajian Fenomenologi Komunitas Pemulung di TPA Supit Urang Kota Malang),” Wacana, vol. 17, no. 4, pp. 234–245, 2014.

[3] T. M. Fahrudin et al., “Cluster Analysis of Hospital Inpatient Service Efficiency Based on BOR, BTO, TOI, AvLOS Indicators using Agglomerative Hierarchical Clustering,” vol. 18, no. 2, pp. 194–210, 2021, doi: 10.31515/telematika.v18i2.4786.

[4] M. W. Putri, I. M. Nur, and R. Wasono, “Implementasi Spectral Clustering Algorithm Untuk Pengelompokan Sasaran Vaksinasi Covid-19 Di Indonesia,” J. Stat. Univ. Muhammadiyah Semarang, vol. 10, no. 1, p. 26, 2022, doi: 10.26714/jsunimus.10.1.2022.26-31.

[5] F. Alfiah, A. Almadayani, D. Al Farizi, and E. Widodo, “Analisis Clustering K-Medoids Berdasarkan Indikator Kemiskinan di Jawa Timur Tahun 2020,” J. Ilm. Sains, vol. 22, no. 1, p. 1, 2021, doi: 10.35799/jis.v22i1.35911.

[6] A. Yusuf and H. Tjandrasa, “Prediksi Nilai dengan Metode Spectral Clustering dan Clusterwise Regression,” J. ScimateC, vol. 4, no. 1, pp. 1–8, 2014.

[7] A. Rahmasari, “Pengaruh Tingkat Pendidikan , Kepadatan Penduduk , dan Tingkat Pengangguran Terbuka Terhadap Tingkat Kemiskinan di Kabupaten Jombang Tahun 2011-2015,” vol. 3, pp. 73–81, 2023, doi: 10.46821/bharanomics.v3i2.574.

[8] M. Radhi, A. Amalia, D. R. H. Sitompul, S. H. Sinurat, and E. Indra, “Analisis Big Data Dengan Metode Exploratory Data Analysis (Eda) Dan Metode Visualisasi Menggunakan Jupyter Notebook,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 4, no. 2, pp. 23–27, 2022, doi: 10.34012/jurnalsisteminformasidanilmukomputer.v4i2.2475.

[9] S. S. M. Wara, A. F. Adziima, M. Nasrudin, and A. R. Pratama, “Predictive Analysis of Government Application Comment on Playstore with Clustered Support Vector Machine,” Proceeding - IEEE 10th Inf. Technol. Int. Semin. ITIS 2024, pp. 84–88, 2024, doi: 10.1109/ITIS64716.2024.10845453.

[10] I. Zahy, A. Illah, W. Syaifullah, J. Sapu, and A. T. Damaliana, “Implementasi Metode Klasifikasi LightGBM dan Analisis Survival dalam Memprediksi Pelanggan Churn,” vol. 8, no. 1, pp. 43–53, 2024.

[11] S. Renaldi. S, D. A. Prasetya, and A. Muhaimin, “Analisis Klaster Partitioning Around Medoids dengan Gower Distance untuk Rekomendasi Indekos (Studi Kasus: Indekos di Sekitar Kampus UPNVJT),” G-Tech J. Teknol. Terap., vol. 8, no. 3, pp. 2060–2069, 2024, doi: 10.33379/gtech.v8i3.4898.

[12] A. Matz, “Customer Loyalty Clustering Model Using K-Means Algorithm with LRIFMQ Parameters,” J. Ilm. Bid. Teknol. Inf. dan Komun., vol. 5, no. 2, p. 54, 2020.

[13] D. A. Prasetya, A. P. Sari, M. Idhom, and A. Lisanthoni, “Optimizing Clustering Analysis to Identify High-Potential Markets for Indonesian Tuber Exports,” vol. 7, no. 1, pp. 113–122, 2025.

[14] S. Wulandari and D. Novita, “Analisis Clustering Virus MERS-CoV Menggunakan Metode Spectral Clustering Dan Algoritma K-Means,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 5, no. 3, p. 315, 2021, doi: 10.30998/string.v5i3.7942.

[15] M. Sukarno Hatta, F. Azmi, and C. Setianingsih, “Clustering Pada Data Sentimen Penggunaan Transportasi Online Menggunakan Algoritma Spectral Clustering,” e-Proceeding Eng., vol. 8, no. 6, p. 11945, 2021.

[16] A. R. Pratama, B. S. B. Dewantara, D. M. Sari, and D. Pramadihanto, “Improvement of DBSCAN Algorithm Involving Automatic Parameters Estimation and Curvature Analysis in 3D Point Cloud of Piled Pipe,” J. Image Graph. Kingdom), vol. 12, no. 2, pp. 175–185, 2024, doi: 10.18178/joig.12.2.175-185.